目前,随着人工智能研究的进步,人工智能被大规模采用,数据监管等领域的需求也促使人们对隐私保护的认识和关注越来越多,这促进了联邦学习(federated　learning,FL)框架的流行.但现有的FL难以应对异构问题以及用户的个性化需求.为了应对上述问题,研究了个性化联邦学习(personalized　federated　learning,PFL)的相关方法并提出了展望.列举了FL的框架并指出了FL的不足,在FL场景的基础上,引出PFL的研究动机对PFL中的统计异构、模型异构、通信异构、设备异构进行分析并提出可行性方案;将PFL中的客户端选择、知识蒸馏等个性化算法分类并分析各自的创新与不足.最后,对PFL的未来研究方向进行了展望.