联邦学习为解决在机器学习落地过程中遇到的数据孤岛难题,以不泄露数据拥有者的原始数据的方式,实现协同训练。然而,联邦学习引入的参数交换过程缺乏形式化的保证,为此,差分隐私方法被用来进一步保护数据的安全。从“数据拥有者之间”、“数据拥有者与服务提供者”和“数据拥有者与模型查询者”关系的角度出发,联邦学习中的差分隐私存在准确率有偏和信任级别多样的问题,联邦学习中以推荐系统为代表的应用存在意图隐私保护和遗忘权实现的问题,同时在数据不均衡、隐私预算按需分配、计算代价高和选择性影响消除等方面难以适应数据拥有者的安全需求。如何在满足差分隐私定义的前提下,提供基于联邦学习的解决方案成为学术界和产业界的热点和前沿问题。针对上述联邦学习中差分隐私与推荐系统面临的挑战,本文对准确率影响均等的差分隐私联邦模型、联邦学习中混合信任级别的差分隐私、保护意图的差分隐私联邦推荐系统和可遗忘的差分隐私联邦推荐系统四个关键问题开展研究,主要研究内容与贡献如下:在联邦学习中数据拥有者之间的模型准确率方面,提出准确率影响均等的差分隐私联邦模型来减轻差分隐私对代表性不足或相对复杂的数据拥有者所属群体在联邦模型上准确率的不成比例的影响。将差分隐私的联邦学习过程构建成自适应差分隐私截断阈值与联邦学习相结合的双层规划问题。根据理论上的截断偏差-噪声方差界,动态地调整每名数据拥有者本地训练数据对联邦模型的影响。实验评估表明所提方法在从文本到视觉场景的联邦学习中对数据拥有者之间实现目前最公平的差分隐私准确率影响。在联邦学习中数据拥有者对服务提供者的不同信任需求方面,提出联邦学习中混合信任级别的差分隐私算法。将联邦学习中的数据拥有者根据他们的隐私需求划分为信任服务提供者的参与方和不信任服务提供者的参与方,分别使用中心化差分隐私和本地化差分隐私定义来保护数据拥有者的本地训练数据。从分析差分隐私的联邦学习算法的收敛性出发,在自适应差分隐私截断阈值的基础上,提出改进的组合定理来减少联邦学习中添加的差分隐私噪声。实验评估表明所提方法在满足联邦学习中数据拥有者的不同信任需求的前提下,兼顾联邦模型的可用性。进一步,在联邦推荐系统中数据拥有者对服务提供者隐藏行为意图方面,提出保护意图的差分隐私联邦推荐系统。发现联邦商品推荐系统需要保护用户-商品交互的存在性隐私,提出在保护数据拥有者交互数据隐私的前提下服务提供者协助他们在本地推理个人偏好的联邦协议。考虑隐式反馈中的噪声和差分隐私引入的噪声来定义（α,β）-准确率的概念,证明所提方法是（α,β）-准确的和（?）-差分隐私的。实验评估表明所提方法在为数据拥有者的数据提供差分隐私保护的同时,实现与非隐私的联邦推荐系统相当的准确率。在联邦推荐系统中数据拥有者对模型查询者行使被遗忘权方面,提出可遗忘的差分隐私联邦推荐系统来消除少量数据拥有者的本地交互数据对联邦推荐模型的影响。在保护意图的差分隐私联邦推荐系统框架下,提出数据拥有者通过在本地剩余的训练数据上以热启动的方式调整当前的联邦推荐模型,从而加速联邦推荐系统的遗忘过程。提出使用二阶优化器实现更大的联邦推荐遗忘加速。为了克服二阶优化器过高的计算成本,提出将联邦推荐遗忘的优化问题划分成多个易于处理的子问题来交替求解。在上述过程中引入差分隐私保护联邦推荐系统中数据拥有者的交互数据隐私。实验评估表明所提方法以极高的遗忘学习速度逼近彻底遗忘的重新训练的联邦推荐准确性。