Con el rápido aumento de datos, el aprendizaje automático centralizado ya no puede satisfacer los requisitos de aplicación de Internet de los Vehículos (IoV). Por un lado, tanto los propietarios de automóviles como los reguladores prestan más atención a la privacidad de los datos y no desean compartirlos, lo que forma el desafío de las islas de datos aisladas. Por otro lado, los datos incrementales generados en IoV son masivos y diversos. Todos estos problemas han traído desafíos de incremento de datos y diversidad de datos. Los marcos comunes actuales de aprendizaje federado o aprendizaje incremental no pueden integrar de manera efectiva los datos incrementales con los modelos de aprendizaje automático (ML) existentes. Por lo tanto, este documento propone un Marco de Aprendizaje Federado Basado en Ponderación Incremental y Selección de Diversidad para IoV (Fed-IW&DS). En Fed-IW&DS, se propuso un algoritmo de selección de diversidad de vehículos, que utiliza una variedad de indicadores de rendimiento para calcular puntajes de diversidad, reduciendo efectivamente la computación homogénea. Además, propone un algoritmo incremental federado de vehículos que utiliza una curva de arcotangente mejorada como función de decaimiento, para realizar la fusión rápida de datos incrementales con los modelos ML existentes. Además, hemos llevado a cabo varios conjuntos de experimentos para probar la validez del rendimiento del marco propuesto Fed-IW&DS. Los resultados experimentales muestran que, bajo la misma ronda de comunicación global y un tiempo de computación similar, el marco Fed-IW&DS ha mejorado significativamente el rendimiento en todos los aspectos en comparación con los marcos FED-AVG, FED-SGD, FED-prox y las funciones de decaimiento lineal, curva cuadrada y arcotangente. Específicamente, el marco Fed-IW&DS mejora el Acc (precisión), pérdida (loss) y el coeficiente de correlación de Matthews (MCC) en aproximadamente un 32%, 83% y 66%, respectivamente. Este resultado muestra que Fed-IW&DS es una solución más confiable que los marcos comunes de aprendizaje federado, y puede tratar de manera efectiva con los datos incrementales dinámicos en el escenario de IoV. Nuestros hallazgos deberían hacer una contribución significativa al campo del aprendizaje federado.