联邦学习（FL）是一种新的分布式机器学习范式，它在保护设备数据隐私的同时打破数据壁垒，从而使各方能在不共享本地数据的前提下协作训练机器学习模型。然而，如何处理不同客户端的非独立同分布（Non-IID）数据仍是FL面临的一个巨大挑战，目前提出的一些解决方案没有利用好本地模型和全局模型的隐含关系，无法简单而高效地解决问题。针对FL中不同客户端数据的Non-IID问题，提出新的FL优化算法——联邦自正则（FedSR）和动态联邦自正则（Dyn-FedSR）。FedSR在每一轮训练过程中引入自正则化惩罚项动态修改本地损失函数，并通过构建本地模型和全局模型的关系来让本地模型靠近聚合丰富知识的全局模型，从而缓解Non-IID数据带来的客户端偏移问题；Dyn-FedSR则在FedSR基础上通过计算本地模型和全局模型的相似度来动态确定自正则项系数。对不同任务进行的大量实验分析表明，FedSR和Dyn-FedSR这两个算法在各种场景下的表现都明显优于联邦平均（FedAvg）算法、联邦近端（FedProx）优化算法和随机控制平均算法（SCAFFOLD）等FL算法，能够实现高效通信，正确率较高，且对不平衡数据和不确定的本地更新具有鲁棒性。

现有的生成对抗网络（GAN）和差分隐私相结合的方法大多采用梯度扰动的方法实现隐私保护，即在优化过程中利用梯度裁剪技术来约束优化器对单个数据的敏感性，并对裁剪后的梯度添加随机噪声以达到保护模型的目的。然而大多数方法在训练时裁剪阈值固定，而阈值过大或过小均会影响模型的性能。针对该问题，提出动态梯度阈值裁剪的DGC_DPGAN （Dynamic Gradient Clipping Differential Privacy Generative Adversarial Network）算法以兼顾隐私保护和模型的性能。该算法结合预训练技术，在优化过程中先求取每批次隐私数据的梯度F-范数均值作为动态梯度裁剪阈值，再对梯度进行扰动。考虑不同的裁剪顺序，提出先裁剪再加噪的CLIP_DGC_DPGAN （Clip Dynamic Gradient Clipping Differential Privacy Generative Adversarial Network）算法和先加噪再裁剪的DGC_DPGAN算法，并采用Rényi Accountant求取隐私损失。实验结果表明，在相同的隐私预算下，所提出的两种动态梯度裁剪算法与固定梯度阈值裁剪方法相比更优：在Mnist数据集上，所提两种算法在IS（Inception Score）、结构相似性（SSIM）、卷积神经网络（CNN）分类准确率上分别提升了0.32~3.92，0.03~0.27，7%~44%；在Fashion-Mnist数据集上，所提两种算法在IS、SSIM、CNN分类准确率上分别提升了0.40~4.32，0.01~0.44，20%~51%。同时，GAN模型生成图像的可用性更好。