El aprendizaje federado es un marco de aprendizaje automático que preserva la privacidad donde varios propietarios de datos colaboran para entrenar un modelo global bajo la dirección de un servidor central. Los resultados del entrenamiento local de los entrenadores deben ser enviados al servidor central para la agregación y actualización del modelo. Un servidor central ocupado y entrenadores maliciosos pueden introducir problemas de un punto único de falla y ataques de envenenamiento de modelos. Para abordar los problemas anteriores, en este documento se ha propuesto el marco de aprendizaje federado descentralizado confiable (llamado TrustDFL) basado en el esquema de prueba de conocimiento cero, blockchain y contratos inteligentes, que proporciona una seguridad mejorada y una mayor eficiencia para la agregación de modelos. Específicamente, se aplica Groth 16 para generar la prueba del entrenamiento del modelo local, incluidos los procesos de propagación hacia adelante y hacia atrás. Las pruebas se adjuntan como cargas útiles a las transacciones, que se transmiten a la red blockchain y son ejecutadas por los mineros. Con el apoyo de contratos inteligentes, las contribuciones de los entrenadores podrían ser verificadas automáticamente bajo incentivos económicos, donde la blockchain registra todos los datos intercambiados como el ancla de confianza en escenarios de múltiples partes. Además, se introduce IPFS (Sistema de Archivos Interplanetario) para aliviar la sobrecarga de almacenamiento y comunicación causada por los modelos locales y globales. El análisis teórico y los resultados de estimación muestran que TrustDFL evita eficientemente los ataques de envenenamiento de modelos sin filtrar los secretos locales, asegurando que la precisión del modelo global sea entrenada.