本发明提供了一种面向边缘计算场景下的隐私保护联邦学习方法，该方法使用双服务器架构进行模型聚合和拜占庭鲁棒。首先，服务器将初始模型参数下发到客户端中；其次，客户端利用本地数据集和初始参数进行多次迭代训练，并获得本轮次训练结果；然后，客户端对训练结果进行秘密分享处理，将其分别上传到不同服务器中；最后，双服务器进行协同的拜占庭节点检测，获取拟聚合参数，并在此基础上，进行协同的模型聚合，获得本轮全局模型训练结果。上述过程不断迭代，直到训练出最优解。该方法通过双服务器架构，解决了在保护数据隐私的同时实现对拜占庭节点的防御，计算通信开销较低，可解决边缘计算场景下的协同训练问题。