联邦学习(federated learning，FL)作为一种分布式学习范式，实现了本地训练和远程聚合，可以有效保护用户数据的安全。但是，也产生了推理攻击和投毒攻击等一系列问题，特别是在数据异构场景下投毒检测变得更加困难。针对上述问题，在数据异构场景下提出了一种安全自适应联邦学习方案(secure and adaptive federated learning，SAFL)。首先，SAFL利用边缘节点之间的相似性设计了一种聚类分层的隐私保护FL架构，并提出了基于零共享的轻量级FL安全求和协议，在保护模型参数隐私性的同时防止边缘节点与服务器之间合谋。然后，构造了一种密文下投毒检测方案并根据检测结果自适应裁剪确定簇内聚合系数，提高模型的鲁棒性。其次，提出了基于Wasserstein距离的自适应簇间聚合方案，增强全局模型的精度。最后，对SAFL进行安全分析，并将SAFL与现有方案进行比较。结果表明，在数据异构和盲化模型参数的情况下，SAFL仍能够有效检测恶意边缘节点，模型准确率提高约6.2%-45.6%，优于现有方案，并保持较低的计算和通信成本。