1.一种基于同态加密的去中心联合学习模型训练方法，其特征在于，服务器预先存储公钥和私钥，并将公钥发送至多个客户端，所述方法包括以下步骤：（1）多个客户端分别进行局部分类模型的训练，将第一层权重采用公钥进行加密，以其中任意一个为中转客户端，其他客户端均将加密后的第一层权重发送至所述中转客户端，继而经由所述中转客户端发送至服务器；

（2）所述服务器根据所有加密后的该层权重，得到加密的联邦模型相应层的权重，解密后返回至所述多个客户端；

（3）各个客户端基于联邦模型的该层权重，对相应局部分类模型进行训练，将下一层权重采用公钥加密并发送至中转客户端；重复步骤（2）‑（3），直至各个客户端得到最后一层权重并加密，经由中转客户端发送至服务器；

（4）服务器根据多个加密的最后一层权重，得到加密的联邦模型最后一层的权重，解密后返回至所述多个客户端；

具体地，服务器具有公钥和私钥，首先将公钥发送给客户端，客户端训练各自的局部分类模型，客户端之间的加密参数可以进行互传，可汇聚到一个中转客户端，中转客户端将所有的加密参数上传至服务器，服务器进行所有加密参数的加权平均，之后利用私钥将加密之后的全局结果进行解密，然后分发给客户端，客户端之间只共享加密后的权重参数。

2.如权利要求1所述的一种基于同态加密的去中心联合学习模型训练方法，其特征在于，所述步骤（2）中，各个服务器对所有加密后的该层权重，依次进行置换匹配和加权平均，得到加密的联邦模型相应层的权重；

其中，所述置换匹配包括：以同层的任意一个权重矩阵为标准，通过交换某行或某列，使得同层的这些权重矩阵具有相似的数据分布。