本发明提供一种可信任的压缩感知和混洗的差分隐私联邦学习方法，包括：每个客户端根据自采样策略动态更新概率，根据概率独立随机决定是否参与该轮训练；参加该轮次训练的客户端结合本地数据集和上一轮的全局模型参数，对本地模型进行更新；客户端对更新后的本地模型参数进行自适应扰动，得到扰动后的本地模型参数更新值；对本地模型参数更新值进行压缩感知，得到压缩数据；将压缩数据发送给混洗器，混洗器将压缩数据进行混洗后上传至中心服务器；中心服务器对接收到的数据进行聚合，根据聚合后的数据对模型进行重构得到本轮训练的全局模型，再下发给相关客户端。本发明可以在降低通信开销的同时保护用户隐私，特别适用于解决分布式大规模问题。