本发明属于机器学习领域，具体涉及一种鲁棒联邦学习方法、装置、设备及介质，方法包括：中心服务器初始化全局模型参数和层模型参数，并将这些模型参数下发给所有客户端；客户端基于本地数据集、全局模型参数和层模型参数进行本地训练得到本地个性化模型参数，并将其上传到中心服务器；中心服务器基于客户端上传的模型参数相似度进行鲁棒选择和层级划分，计算并下发全局聚合模型和层聚合模型。本发明通过模型相似度进行鲁棒选择，有效排除恶意客户端的干扰，通过合理的层级划分和聚合策略，加快全局模型的收敛速度，提高模型的泛化能力和性能。