人工智能技术如今在诸多领域已经取得了巨大的突破,得到了非常广泛的应用,例如目标检测、图像识别和自然语言处理等。目前由于“数据孤岛”问题和愈发严格的隐私安全管控,人工智能技术面临着缺乏高质量训练数据的困境。由于联邦学习支持用户在不分享原始数据的条件下联合训练模型,能够汇聚更多分散的数据共同建模,因此逐渐成为人工智能研究领域的热点。然而,联邦学习环境中存在的数据异质性和系统异质性因素会导致模型训练效率低下和模型收敛精度不理想等问题。本文针对异质性环境下联邦学习模型训练效率和收敛精度偏低的问题,基于深度神经网络模型训练问题,重点研究如何减少异质性因素对联邦学习的影响,提升模型训练的效率和精度。重点工作和创新点如下:（1）提出基于多目标优化的参与方选择算法。该方法综合考虑联邦学习环境中的数据异质性和系统异质性因素,基于多目标优化的思想,根据参与方数据分布的全面性、均匀性以及计算能力高效性和平衡性等多个优化目标综合考虑,对原始参与方集合进行筛选,以减少参与方集合中存在的异质性因素,尽可能提高联邦学习的训练效率和收敛精度。（2）提出本地更新轮次自适应调整算法。由于联邦学习模型训练的参数更新过程主要是在本地更新阶段完成的,因此不同大小的本地更新轮次设置对模型的收敛精度和训练效率有至关重要的影响。传统的联邦学习算法采用固定的本地更新轮次设置,由于异质性因素的影响,较大的本地更新轮次设置会造成模型参数发散过大而导致收敛精度下降,而较小的本地更新轮次则会使得收敛所需的通信轮次增大而导致训练效率降低。本算法通过准确感知训练状态并根据不同训练阶段动态自适应调整本地更新轮次,在保证联邦学习模型训练效率的同时尽可能提高模型最终的收敛精度。（3）搭建面向异质性环境的高性能联邦学习系统。在上述两项研究的基础上,设计并实现了面向异质性环境的高性能联邦学习系统,该系统实现了训练服务器管理、任务管理等功能,并提供友好的可视化界面与系统用户交互,以及将训练服务器节点运行情况、任务执行情况和模型结果等信息进行展示。