联邦学习算法由一个中央服务器和多个客户端组成,在不需要交换本地数据的情况下就能共享重要信息,但是,由于客户端与服务器之间需要不断通信以交换大量模型参数,造成了较高的通信成本。因此研究如何降低联邦学习通信成本,对联邦学习的实际应用,尤其是在通信约束下的移动设备上的应用,具有很重要的现实意义。通信成本主要包含两个方面:一是通信数据总量,二是通信轮次。首先,为了减少传输数据所需总比特数,本文提出了一种基于权值量化的联邦平均算法—基于动态量化的联邦平均算法（DQFed Avg）,在客户端向中央服务器上传更新的本地权值之前进行一个量化操作,减少单轮通信回合的通信比特数,由此减少通信成本。其次,为了减少客户端与服务器之间的通信轮次,本文提出了耦合加速的惰性聚合梯度双向量化算法（CT-LAQ）,对于上行链路,客户端通过耦合加速梯度下降法计算梯度,在上传梯度之前再进行量化操作,然后设置一个标准确定选择上传本轮梯度或者跳过本轮上传而重用上一个梯度。对于下行链路,服务器通过聚合更新全局梯度,在广播之前进行量化操作,并选择广播本轮梯度或者跳过本轮广播重用上一个梯度。这样,通过选择跳过上传或者广播的方式,大大减少通信轮次,由此降低通信成本。本文提出的联邦学习算法在充分保证客户端的数据隐私安全的同时,通过加入量化技术和耦合加速梯度下降法,大大减少了通信数据总量和客户端与服务器之间的通信轮次,加速模型收敛,提高训练效率,从而降低系统通信成本。通过大量仿真实验检验了所提算法的有效性。