传统的联邦学习架构需要一个中央参数服务器来进行模型的收集、聚合和分发，这种中心式的架构过于依赖单个的中央服务器，从而面临中央参数服务器不可信问题和通信拥堵问题。为克服这些难题，将基于区块链的去中心化联邦学习架构与基于边-端-云三层架构的层次联邦学习进行整合，构建一种通信高效的去中心化层次联邦学习架构的方案，整个联邦学习系统划分为不同群组，群组间的交易处理、数据存储、区块共识相互隔离，同时不同群组间的交易可以并行执行，即保障了区块链系统的隐私性，也提升了效率。跨群组之间的消息互通会带上验证信息，是可信和可追溯的。此外，为了提高不同群组间模型传递的通信效率，引入了磁盘冗余阵列中的RAID10思想，采取模型切分与并行传输的策略，将群组内的客户端划分成多个通信组，并将模型拆分成多个部分，通信组并行传输模型的一部分，进一步提升了通信的并发性和通信效率。在Fisco平台搭建起来了相关实验平台，针对MNIST数据集展开了实验。实验结果表明，在采样2类、3类、5类数据样本的情况下分别达到了90.63%、90.67%、91.58%的准确率，同时群组间模型传递的通信效率也得到了提升。