目前,梯度提升决策树（Gradient Boosting Decision Trees）已成为一种流行的机器学习算法,并因其在分类、排名、预测等方面的良好表现而在许多数据挖掘竞赛和实际工业应用中被广泛关注。然而包括梯度提升决策树在内的传统机器学习的广泛应用,愈发受制于训练数据集限制,为了进一步实现高质量的模型训练任务,所有权分散的数据需要突破隐私、通信、利益分配、安全等限制因素,实现替代集中式统一处理的新型计算模式。联邦学习旨在降低隐私风险和成本,使实体能够在本地保存数据并在统一编排服务下协作训练模型。然而,具有潜力的基于梯度提升决策树的联邦学习系统无法在准确性和通信之间做出很好的权衡。此外,当前系统设计还忽略了一个重要方面:公平性,即依据不同参与方对联邦模型的贡献来合理分配收益,公平性问题直接影响了联邦梯度提升决策树系统能否在实际环境中获得广泛应用。综上,当前的联邦梯度提升决策树系统尚未解决上述如模型可用性、利益可分配性等关键问题。本文研究一种基于区块链的联邦梯度提升决策树方案,该方案可以实现恒定的通信开销和良好的模型性能,根据少量的更新信息量化各方的贡献,并利用区块链提供公平、可信的协调平台。本文具体包括以下研究内容:（1）本文研究了一种联邦梯度提升决策树训练方法FV-tree,通过把基于树的通信方案替换为基于纯梯度的方案,并将中间梯度信息压缩到较小程度。另外采用了隐私空间分解技术和梯度改装策略,缓解了因为通信量压缩而导致在倾斜数据集中模型性能下降的问题。此外,本文还为FV-tree提供了一种差分隐私保护方案,并通过实验验证了此方法在大规模数据集下具有良好的表现。（2）随后,本文基于合作博弈论Shapley值和梯度提升决策树的训练过程进行了研究与分析,引入了一种新颖的贡献分配量化指标Split Shapley值。它利用了梯度提升决策树训练过程中的增益计算作为效用函数,在联邦训练过程中根据有限的梯度更新摘要量化联盟中不同主体的贡献,具有公平性保证并为联盟结算货币奖励提供依据。（3）最后,本文研究了如何将联邦梯度提升决策树算法、贡献量化机制和区块链有机地结合。具体包括,针对Split Shapley值的敏感性研究了一种分布式梯度直方图验证共识机制,设计了智能合约协调计算过程、分配训练贡献因子,在区块链环境中实现了一个闭环联邦梯度提升决策树系统FGBDT-Chain。通过在公共数据集上进行综合实验,实验结果表明,在大规模倾斜数据集下本研究方案在模型准确性、通信开销、公平性和安全性之间取得了良好的平衡。综上,本文研究了一种梯度提升决策树算法,在通信优化的基础上综合权衡了模型可用性、隐私性等方面关键因素;本文设计了一种基于区块链的联邦梯度提升系统,在可以保证公平性的同时兼顾了可信性、安全性等多个系统关键因素;综合实验表明本文研究方案在性能测试中表现良好,计算、存储开销符合工业应用需求,具有实际应用价值。