随着医疗大数据的发展，医疗数据安全、个人隐私保护等问题日益突出。为了有效利用各类医疗机构的医疗数据，保护患者的隐私，提出了一种结合联邦学习和区块链的医疗数据共享和隐私保护方案。联邦学习用于对多源医疗数据建模，将经过训练的模型参数和医疗机构的声誉值存储在区块链上，并使用区块链奖励提供高质量数据的医院。通过分析数据源质量对联邦学习算法性能的影响，提出了一种基于双主观逻辑模型的信誉值计算算法，以提高联邦学习的准确性。改进的信誉机制用于确保数据共享中筛选数据源的效率。区块链和联邦学习技术用于提高共享效率和隐私保护。此外，以Tensorflow的分布式平台为例，对算法的性能进行了比较和分析。实验结果表明，该方案能够屏蔽高质量的数据源，减少边缘节点与恶意节点之间的交互时间，即使在信誉值大于0.5的情况下，也能达到0.857的学习精度。