本发明公开了一种基于对比学习的联邦学习稀疏训练方法及系统，涉及联邦学习算法框架、神经网络稀疏训练和对比学习的交叉领域。其中，所述方法包括：服务端向本地客户端发送全局模型和掩码；本地客户端根据接收的全局模型和掩码，生成局部稀疏模型，并使用本地数据集对局部稀疏模型进行训练；本地客户端进行对比损失函数计算，更新本地损失函数和局部稀疏模型，并将更新后的局部稀疏模型上传到服务端；服务端聚合本地客户端更新后的局部稀疏模型，对全局模型进行更新，并将更新后的全局模型发送给本地客户端，开始新一轮的沟通训练直至全局模型收敛。本发明通过在联邦学习中引入稀疏训练和对比学习，显著降低计算通信开销，提高了全局模型的性能。