En vista de los problemas de contaminación de datos, extracción incompleta de características y mala compartición y transmisión de parámetros de múltiples redes bajo el marco de aprendizaje federado del aprendizaje profundo, este artículo propone un algoritmo mejorado de aprendizaje federado asíncrono de fusión de múltiples modelos basado en la contaminación de inyección de datos. A través de la ampliación de datos, el conjunto de datos existente se preprocesa para mejorar la capacidad del algoritmo de identificar los datos ruidosos. En nuestro enfoque, se utiliza la red residual para extraer la información estática de la imagen, la red de cápsulas se utiliza para extraer la dependencia espacial entre las estructuras internas de la imagen, varias capas de convolución se utilizan para reducir las dimensiones de ambas características y se fusionan las dos características extraídas. Con el fin de reducir la sobrecarga de transmisión de parámetros compartidos entre la red residual y la red de cápsulas, adoptamos una transmisión de parámetros asíncrona entre el entrenador global y el entrenador local. Cuando el entrenador global transmite los parámetros a cada entrenador local, se seleccionan aleatoriamente varios entrenadores para evitar el bloqueo del enlace de comunicación. Finalmente, a través de la realización de varios experimentos, los resultados muestran que nuestro algoritmo puede extraer efectivamente las características patológicas en la imagen y lograr una mayor precisión, superando a los algoritmos principales actuales.