【摘要】联邦学习算法已成功地应用于医疗、无人机编队任务规划等场景，目前大多数研究致力于异步联邦学习算法研究以及从算法层面解决优质客户端选择问题。 但是均存在以下问题：（１）难以针对不同的共享参数层来学习其对全局模型的贡献度；（２）难以确定客户端的选择标准，即在候选客户端中选择最有利于全局模型参数更新的客户端梯度。 基于此，本文提出基于细粒度共享层激励机制的深度联邦学习算法（ｄｅｅｐ ｆｅｄｅｒａｔｅｄ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｆｉｎｅ⁃ｇｒａｉｎｅｄ ｓｈａｒｅｄ ｌａｙｅｒ ｉｎｃｅｎｔｉｖｅ ｍｅｃｈａｎｉｓｍ，ＤＦＳＬ）。 该算法从不同的共享参数层量化其对全局模型准确率的贡献度，同时使用末位淘汰法去除潜在的异常客户端梯度，实现全局模型的稳定迭代更新。 实验结果表明，本文算法与其他 ４ 种典型算法在 ＣＩＦＡＲ－１０ 以及 ＭＮＩＳＴ 两个数据集上的召回率以及 Ｆ１ 值均达到最优。 在ＣＩＦＡＲ－１０ 数据集上召回率以及 Ｆ１ 值分别提升了 ３. ７３％以及 ２. １２％；在 ＭＮＩＳＴ 数据集上分别提升了 １. ９９％以及 ２. １０％。