本公开涉及人工智能领域，具体涉及一种基于分割学习和差分隐私融合的联邦学习系统和方法，所述系统包括：主参与方（master），用于构建整体模型结构；参数服务器（server），用于分发全局模型结构至其他参与方（client），并将其他参与方上传的全局模型参数进行聚合构建出一个新的全局模型；其他参与方，用于私有模型结构的构建，并加上所述全局模型结构构成整体模型，并利用本地数据独自完成对整体模型的预训练，并将训练好的全局模型参数上传至参数服务器。本公开通过分割学习的思想，将参与方构建的模型划分为全局模型和私有模型，参与方只会共享局部模型梯度，并引入差分隐私机制，极大地降低了梯度泄露数据的风险。