本发明公开了一种基于自适应差分隐私的联邦学习模型优化方法，包括：获取多个客户机的本地数据，并对预选的相应神经网络进行训练，得到每个本地模型的模型参数；对每个本地模型中的每一层网络进行独立评估，并根据评估结果对每一层网络的模型参数自适应地设置差分隐私噪声预算；同时，基于卷积核的绝对权值对每一层网络的层内结构进行评估，并根据评估结果对层内卷积核的模型参数自适应地添加差分隐私噪声预算；将所有客户机本地模型的模型参数上传至服务器，并对模型参数进行聚合；重复上述操作，直至神经网络模型收敛或到达指定聚合轮数，得到训练好的联邦学习模型。该方法可以在保证隐私保护级别的同时，最大程度的保证结果的准确性。