针对通用目标检测场景下，现有单阶段无锚检测器识别精度低、识别困难等问题，提出一种基于改进变焦网络VFNet（VarifocalNet）的高精度目标检测算法。首先，利用循环层聚合网络（RLANet）替换VFNet用于特征提取的主干网络ResNet，循环残差连接操作将前层特征汇入后续网络层中提升特征的表征能力；其次，通过带有特征对齐卷积操作的特征金字塔网络（FPN）替换原始的特征融合网络，利用可变形卷积操作在FPN上下层融合过程中实现特征对齐并优化特征表征能力；最后，使用聚焦-全局蒸馏（FGD）算法进一步提升小规模算法的检测性能。在COCO （Common Objects in Context） 2017数据集上进行的评估实验结果表明，在相同训练条件下，改进后的以RLANet-50为主干的算法的均值平均精度（mAP）可以达到45.9%，与VFNet算法相比提升了4.3个百分点，而改进后的算法参数量为36.67×10⁶，与VFNet相比仅高了4×10⁶。可见，改进后的VFNet算法在提升检测精度的同时稍微增加了参数量，说明该算法可以满足目标检测的轻量化及高精度需求。

联邦学习（FL）是一种新兴的隐私保护机器学习（ML）范式，然而它的分布式的训练结构更易受到投毒攻击的威胁：攻击者通过向中央服务器上传投毒模型以污染全局模型，减缓全局模型收敛并降低全局模型精确度。针对上述问题，提出一种基于生成对抗网络（GAN）的投毒攻击检测方案。首先，将良性本地模型输入GAN产生检测样本；其次，使用生成的检测样本检测客户端上传的本地模型；最后，根据检测指标剔除投毒模型。同时，所提方案定义了F1值损失和精确度损失这两项检测指标检测投毒模型，将检测范围从单一类型的投毒攻击扩展至全部两种类型的投毒攻击；设计阈值判定方法处理误判问题，确保误判鲁棒性。实验结果表明，在MNIST和Fashion-MNIST数据集上，所提方案能够生成高质量检测样本，并有效检测与剔除投毒模型；与使用收集测试数据和使用生成测试数据但仅使用精确度作为检测指标的两种检测方案相比，所提方案的全局模型精确度提升了2.7~12.2个百分点。