Los métodos existentes de aprendizaje federado asincrónico han abordado eficazmente el problema de la baja eficiencia de entrenamiento en métodos síncronos. Sin embargo, debido a las limitaciones del modelo de confianza centralizado, a menudo necesitan prestar más atención a los incentivos para las partes participantes. Además, el manejo de proveedores de modelos de baja calidad es relativamente uniforme, lo que conduce a resultados de entrenamiento distribuido pobres. Este documento presenta un marco de protección de aprendizaje federado asincrónico basado en blockchain (BCAFL). Introduce validación de modelos y mecanismos de incentivos para fomentar las contribuciones de las partes. Además, BCAFL adapta estrategias acumulativas de contribución coincidentes para los participantes en diferentes estados para utilizar óptimamente sus ventajas de recursos. Para abordar el desafío de los ataques de envenenamiento malicioso de partes, se introducen un factor de agregación dinámica de verificación multiparte y un mecanismo de filtro para mejorar la confiabilidad del modelo global. A través de la verificación por simulación, se demuestra que BCAFL garantiza la confiabilidad y eficiencia del aprendizaje colaborativo asincrónico y mejora las capacidades de resistencia al ataque del modelo. Con el entrenamiento en el conjunto de datos de dígitos escritos a mano MNIST, BCAFL logró una precisión de aproximadamente el 90% en 20 rondas. En comparación con los métodos avanzados existentes, BCAFL reduce la pérdida de precisión en un 20% cuando se somete a ataques de envenenamiento de datos.