本发明提供了一种基于XGBoost的联邦学习训练及预测方法以及装置，应用于一个发起方和多个合作方，该方法包括以下步骤：发起方利用自己持有的特征数据创建第一棵决策树；发起方和合作方协作依次建立第m棵决策树，m＝2,3,...,M，其中M为训练的决策树总数，训练得到基于XGBoost的联邦学习模型；建立第m棵决策树的过程中，发起方计算每个真实结点样本空间的最优特征及特征阈值，同时为每组最优特征及特征阈值额外匹配一个结点样本空间作为假结点样本空间，发送给对应特征持有方，特征持有方根据收到的特征及特征阈值划分当前结点样本空间，并将结果通知发起方；利用上述训练得到的联邦学习模型对待预测对象的标签进行预测。本发明降低了模型泄露的风险，模型预测速度快。