针对工业物联网（IIOT）新增数据量大、工厂子端数据量不均衡的问题，提出了一种基于联邦增量学习的IIOT数据共享方法（FIL-IIOT）。首先，将行业联合模型下发到工厂子端作为本地初始模型；然后，提出联邦优选子端算法来动态调整参与子集；最后，通过联邦增量学习算法计算出工厂子端的增量加权，从而使新增状态数据与原行业联合模型快速融合。实验结果表明，在美国凯斯西储大学（CWRU）轴承故障数据集上，所提FIL-IIOT使轴承故障诊断精度达到93.15%，比联邦均值（FedAvg）算法和无增量公式的FIL-IIOT（FIL-IIOT-NI）方法分别提高了6.18个百分点和2.59个百分点，满足了基于工业增量数据的行业联合模型持续优化的需求。

针对聚类算法研究中普遍存在不能充分利用历史信息、参数优化过程慢的问题，结合边缘智能计算提出了一种基于数据场的分布式自适应分类算法，算法部署于边缘计算（EC）节点，提供本地的智能分类服务。该算法通过引入监督信息改造传统数据场聚类模型的结构，使其能够应用于分类问题，扩展了数据场理论可应用的领域。基于数据场思想，该算法将数据的域值空间转化为数据势场空间，依据空间势值将数据分为无标签的多个类簇结果，再将类簇结果与历史监督信息进行云相似度比较，并将其归属于与其最相似的类中；同时，提出了一种基于滑动步长的参数搜索策略以提高算法参数的优化速度。在此算法基础上还提出了一种基于分布式的数据处理方案，通过云中心与边缘设备的协作，将分类任务切割分配到不同层次的节点，实现模块化、低耦合。仿真结果表明，所提算法的查准率和查全率均保持在96%以上，且汉明损失均低于0.022。实验结果表明，所提算法可以准确分类并提高参数优化速度，整体性能优于逻辑回归（LR）算法与随机森林（RF）算法。