El aprendizaje federado (FL) es una técnica que implica múltiples participantes que actualizan sus modelos locales con datos privados y agregan estos modelos utilizando un servidor central. Desafortunadamente, los servidores centrales son propensos a fallas de un solo punto durante el proceso de agregación, lo que conduce a fugas de datos y otros problemas. Aunque muchos estudios han demostrado que una cadena de bloques puede resolver la falla de un solo punto de los servidores, las cadenas de bloques no pueden identificar ni mitigar el efecto de los ataques de puerta trasera. Por lo tanto, este documento propone un marco de FL basado en blockchain para defenderse contra los ataques de puerta trasera. El marco utiliza cadenas de bloques para grabar transacciones en una red de libro mayor distribuido inmutable y permite el FL descentralizado. Además, al incorporar la estrategia de agregación de relevancia en capas inversas (RLR) en el algoritmo de agregación del participante y agregar ruido de gradiente para limitar la efectividad de los ataques de puerta trasera, la precisión de los ataques de puerta trasera se reduce sustancialmente. Además, diseñamos un nuevo mecanismo de prueba de participación que considera las apuestas históricas de los participantes y la precisión para seleccionar a los mineros del modelo local, reduciendo así las recompensas de apuestas de participantes malintencionados y motivándolos a cargar parámetros de modelo honestos. Nuestros resultados de simulación confirman que, para el 10% de los participantes malintencionados, la tasa de éxito de la inyección de puerta trasera se reduce en casi un 90% en comparación con Vanilla FL, y los ingresos de apuestas de dispositivos malintencionados son los más bajos.