本发明提供一种用于异构数据的联邦学习方法及系统，所述方法的步骤包括，在每个节点端的计算模型进行本地训练，基于训练数据集计算交叉熵损失值，基于当前节点端的计算模型本次迭代的模型参数值及其他节点端的计算模型在前一次迭代的模型参数值，计算模型参数差异值；基于模型参数差异值和交叉熵损失值计算损失函数值；基于损失函数值完成本地训练；基于第一模型参数和初始模型参数计算第一参数差，将第一参数差进行数据压缩，得到第二参数差，第二参数差上传至服务器端进行平均聚合处理，得到第三参数差，将第三参数差进行数据压缩得到第四参数差并传输至节点端；基于第四参数差更新初始模型参数为第二模型参数，完成本轮训练。