本申请提供一种分层联邦学习系统的资源分配及聚合优化方法及装置，涉及机器学习领域，方法包括：根据分层联邦学习系统中的各个边缘服务器各自的域内训练时间及传输延时信息，确定当前迭代轮次的提交时间区间；将全局模型参数和提交时间区间发送至各个边缘服务器，以使各个边缘服务器分别为自身分组中的各个终端分配针对当前迭代轮次的全局模型参数的目标计算任务并同步聚合各个子模型参数，对提交时间区间内接收到的边缘聚合结果数据进行云聚合。本申请能够有效降低分层联邦学习系统的计算复杂度，尤其适用于物联网等大量终端构成的分层联邦学习系统的场景，还能够提高终端和边缘服务器的计算资源利用率，进而能够有效提高分层联邦学习的效率。