随着机器学习的重要性日益提升，训练数据的隐私与安全问题变得尤为关键。联邦学习通过将数据分布存储于各节点，并仅共享模型参数，有效缓解了这一担忧，因而受到广泛关注。然而，联邦学习面临一个关键挑战——拜占庭攻击问题：恶意的本地模型在模型聚合过程中可能严重损害全局模型的性能。本文提出了一种基于区块链的拜占庭鲁棒联邦学习（Blockchain-based Byzantine-Robust Federated Learning, BRLF）模型，将联邦学习与区块链技术相结合。该融合机制不仅实现了对恶意模型的可追溯性，还为本地训练的客户端提供了激励机制。本方法通过皮尔逊相关系数（Pearson's correlation coefficient）选择聚合节点，并在各聚类内进行谱聚类分析，计算每个聚类的平均梯度，同时利用聚合节点的本地数据集对结果的准确性进行验证。在公开数据集上的实验结果表明，所提出的安全聚合算法在拜占庭鲁棒性方面显著优于其他基准的拜占庭鲁棒聚合方法，同时有效验证了所提模型在缓解资源消耗问题上的有效性。