本发明公开了一种基于图结构学习的联邦学习方法、系统、终端及介质，每轮次训练时，在所有用户端中采样出若干个目标用户端参与本轮次的训练，根据全局模型参数更新目标用户端的本地模型参数后，目标用户端迭代优化本地模型获得优化后的本地模型参数，然后采用图网络模型学习目标用户端之间的异质性并根据异质性来聚合所有目标用户端的优化后的本地模型参数，更新全局模型参数，循环进行迭代直至完成模型的优化。通过对用户端采样以减少参与训练的用户端的数量，可以减少每轮次训练的通信开销；通过采用图网络模型学习目标用户端之间的异质性，能够自适应地聚合目标用户端的优化后的本地模型参数，提高训练效率，获得鲁棒性好的优化后的全局模型。