Como paradigma de aprendizaje automático distribuido, el aprendizaje federado (FL) permite a los clientes participantes compartir solo los gradientes del modelo en lugar de los datos locales y logra el intercambio seguro de datos privados. Sin embargo, la falta de voluntad de los clientes para participar en FL y la influencia maliciosa de clientes no confiables degradan seriamente el rendimiento de FL. La investigación actual sobre el mecanismo de incentivos de FL carece de una evaluación precisa de la veracidad y confiabilidad de los clientes, y el mecanismo de incentivos basado en clientes no veraces y no confiables es poco confiable e ineficiente. Para resolver este problema, proponemos un mecanismo de incentivos basado en el mecanismo de reputación y subasta inversa para lograr un FL más veraz, confiable y eficiente. En primer lugar, introducimos el mecanismo de reputación para medir la veracidad y confiabilidad de los clientes a través de múltiples evaluaciones de reputación y diseñamos un esquema de selección de clientes confiables. Luego, se introduce la subasta inversa para seleccionar a los clientes óptimos que maximicen el excedente social mientras satisfacen la racionalidad individual, la compatibilidad de incentivos y el equilibrio presupuestario débil. Los extensos resultados experimentales demuestran que este mecanismo de incentivos puede motivar a más clientes con datos de alta calidad y altas reputaciones a participar en FL con menos costo, lo que aumenta el beneficio económico de las tareas de FL en un 31% y mejora la precisión de 0.9356 a 0.9813, y luego promueve el desarrollo eficiente y estable del mercado de comercio de servicios de FL.