在金融、医疗等数据治理受严格监管要求约束的领域，数据的交换与利用面临巨大挑战。联邦学习（Federated Learning, FL）作为一种创新的分布式机器学习范式，能够在保持数据去中心化的同时，实现多个机构间的协同模型训练，因而受到广泛关注。然而，FL 仍易受到恶意攻击，尤其是在模型聚合阶段面临投毒攻击的威胁，而该过程通常由中心化服务器负责管理。此外，在这些系统中，神经网络模型仍可能无意中记忆并泄露个别训练样本的信息，从而带来严重的隐私风险——攻击者可利用模型内部蕴含的信息重构出敏感的私有数据。现有解决方案尚无法提供一种既完全防范信息泄露、又具备计算高效性的隐私保护型联邦学习系统。为应对上述问题，我们提出 Lancelot，一种创新且计算高效的隐私保护联邦学习框架，该框架采用全同态加密（Fully Homomorphic Encryption, FHE）技术，在有效防范恶意客户端行为的同时，充分保障数据隐私。通过在医学影像诊断及多个广泛使用的公开图像数据集上进行的大量实验验证，Lancelot 显著优于现有方法，处理速度提升超过二十倍，同时严格保障数据隐私。