本发明公开了一种基于联邦学习的不均衡数据集成学习方法，主要分成三个阶段，分别是数据采集阶段、模型学习阶段、模型预测阶段。数据采集阶段为了降低样本中正负比例不均衡对模型的影响，通过自适应边界采样方法实现数据正负比例的均衡化。模型学习阶段各参与方基于均衡处理后的数据集进行联邦boosting集成学习，并将学习好的模型上传服务器。模型预测阶段是基于服务器端的多个基分类器对不同参与方的测试集进行预测。本发明在保护隐私和数据安全的情况下，有效提高了对不均衡数据的自动均衡处理能力以及集成联邦学习的训练和预测效果，应用场景广泛，具有一定的实际应用价值。