针对当前联邦学习缺乏公平合理的激励机制，难以衡量不同数据量、不同数据质量、不同数据分布的参与节点的联邦学习贡献度等问题，提出一种基于生成式对抗网络（GAN）的联邦学习激励机制。首先，提出融合训练模型的生成式对抗网络实现高精度样本生成；随后，基于融合训练模型的生成式对抗网络实现激励机制的贡献度评估算法，该算法通过联合模型筛选样本并生成数据标签，引入参与节点的本地数据标签分布平衡非独立同分布数据标签对贡献度评估的影响；最后，使用两阶段Stackelberg博弈实现联邦学习激励过程。安全性分析结果表明，所提激励机制在联邦学习过程中保证数据安全和系统稳定。实验结果表明，所提激励机制具备正确性，贡献度评估算法在不同数据量、不同数据质量和不同数据分布的情况下均有较好的性能。
