随着车联网技术的快速发展,车辆利用越来越先进的传感设备与计算能力收集、处理大量数据集。为了实现在利用多个车辆数据集训练模型的同时保护用户隐私,联邦学习技术被引入到车联网场景中。由于不同车辆在数据集、计算资源以及无线资源等方面具有异构性,不同的车辆选择和资源分配方案对联邦学习训练过程产生极大影响。论文选题来源于北京市自然科学基金项目“动态时空数据驱动下基于视频内容理解的车联网资源分配算法研究”（项目编号:4202049）。针对车辆端数据集和资源异构以及车联网中无线资源有限等问题,本论文提出了两种新的算法:基于内容均衡性的车辆选择和资源分配算法以及基于资源效用率最大化的资源分配算法,他们分别实现了全局模型精度以及资源效用的提高,从而适用于车联网场景。论文主要研究内容如下:（1）论文系统梳理了车联网中联邦学习技术的相关研究。首先对车联网体系架构和关键技术进行了简要概述。然后重点介绍了车联网中联邦学习的资源管理算法研究现状。针对已有资源分配算法存在的不足,提出了本文的研究方向,为本文研究内容奠定了基础。（2）针对车联网中车辆数据集存在数据内容类别分布不均匀的异构问题,本文提出了基于内容均衡性的车辆选择和资源分配算法。相比于已有算法,本文联合考虑数据集内容分布不平衡以及车辆计算能力和无线信道的影响,将车辆用户选择与无线资源分配设计为一个优化问题,通过引入遗传算法解决该优化问题。理论分析与实验结果表明,提出的算法能够在提高模型精度的同时,加快模型收敛速度。（3）针对已有算法忽略不同资源定价场景下,车辆端与服务器的整体计算资源与通信资源效用率,进而导致资源效用率较低的问题,本文提出了基于资源效用率最大化的资源分配算法。首先合理量化联邦学习模型性能提升所带来的增益,然后联合考虑计算与通信过程所产生的资源成本。通过最大化单位时间内模型收益减去总计算成本与通信成本所得到的资源效用来构造优化函数。相比于已有算法,本文通过联合分配计算与无线资源,提高了联邦学习的资源利用率。理论分析与实验结果表明,提出的算法能够实现在不同计算资源与无线资源定价场景下,找到最优的资源分配方式,实现资源效用率优化,且算法稳定性更好。