El aprendizaje federado es un área de gran preocupación en el campo de la protección de la privacidad. Hay parámetros de modelo locales que son difíciles de integrar, poca puntualidad del modelo y problemas de seguridad en el entrenamiento del modelo local. Este artículo propone un algoritmo de aprendizaje incremental federado de optimización diferencial basado en blockchain. Primero, aplicamos privacidad diferencial al bosque aleatorio ponderado y optimizamos los parámetros en el bosque ponderado para reducir el impacto de agregar privacidad diferencial en la precisión del modelo local. El uso de diferentes algoritmos de conjunto para integrar los parámetros del modelo local puede mejorar la precisión del modelo global. Al mismo tiempo, se reduce el riesgo de una fuga de datos causada por la actualización del gradiente; luego, se aplica el aprendizaje incremental al marco del aprendizaje federado para mejorar la puntualidad del modelo; finalmente, los parámetros del modelo en la fase de entrenamiento se cargan en la cadena de bloques y se sincronizan rápidamente, lo que reduce el costo de almacenamiento de datos y la transmisión de parámetros del modelo. Los resultados experimentales muestran que la precisión del modelo de conjunto de apilamiento en cada período es superior al 83.5% y la varianza es menor que al entrenar en el conjunto de datos público. La precisión del modelo ha mejorado, y la seguridad y privacidad del modelo también han mejorado.