À mesure que l'apprentissage automatique gagne en importance, la confidentialité et la sécurité des données d'entraînement deviennent des enjeux cruciaux. L'apprentissage fédéré, qui stocke les données sur des nœuds distribués et ne partage que les paramètres du modèle, a suscité un intérêt croissant pour répondre à cette préoccupation. Toutefois, un défi majeur se pose dans le cadre de l'apprentissage fédéré : le problème des attaques byzantines, où des modèles locaux malveillants peuvent compromettre les performances du modèle global lors de l'agrégation. Cet article propose un modèle d'apprentissage fédéré robuste aux attaques byzantines basé sur la blockchain (BRLF), qui combine l'apprentissage fédéré et la technologie blockchain. Cette intégration permet de traçer les modèles malveillants et d'offrir des incitations aux clients qui entraînent localement des modèles. Notre approche repose sur la sélection du nœud d'agrégation à l'aide du coefficient de corrélation de Pearson, suivi d'un regroupement spectral et du calcul du gradient moyen au sein de chaque cluster, avec une validation de la précision effectuée à l'aide des jeux de données locaux des nœuds d'agrégation. Les résultats expérimentaux sur des jeux de données publics démontrent la supériorité de notre algorithme d'agrégation sécurisée en termes de robustesse aux attaques byzantines par rapport à d'autres méthodes de base, et confirment l'efficacité de notre modèle dans la résolution du problème de consommation de ressources.