本发明公开了一种针对数据异构性的个性化联邦元学习方法，包括以下步骤：确定各个客户端初始化阶段时的自动编码器结构以及个性化阶段时的元模型结构；初始化联邦训练阶段的参数；根据客户端上传的本地数据分布向量对客户端进行分组；对每个组内的客户端模型进行聚合并下发给组内的客户端进行下一轮迭代；联邦训练结束后，客户端在其组内元模型及其本地数据上进行微调产生个性化模型。本发明在客户端参与联邦训练时，依据其每一轮上传的本地数据分布向量，动态将数据分布近似的客户端划分到同一组中并为每一组设置对应的元模型，进而缓解在数据高度异构的环境下引起的模型收敛慢且准确率低的问题。