作为移动边缘计算(Mobile　Edge　Computing,MEC)的一项重要技术支撑,多边缘协作缓存的出现可更好满足终端智能应用的实时计算与数据存储需求进而提升用户体验.但是,多边缘协作缓存的性能通常受限于低效率的协作机制以及不合理的缓存资源配置策略.同时,如何在离散的用户特征分布与多样化的内容库之中寻找其潜在关联以提升缓存命中率仍是一个巨大的挑战.为了解决上述重要挑战,本文提出了一种新颖的基于联邦深度学习的多边缘协作缓存(Multi-edge　Collaborative　Cac-hing　with　Federated　deep　learning,M2CF)方法.在M2CF中,首先设计了一种新型的多维缓存空间划分机制,对MEC节点的缓存空间进行感知优化,使得用户在分类区间可获得精准的内容推荐.接着,设计了一种基于VQ-VAE的内容流行度预测算法,解决了后验坍塌问题并提高了区间用户内容流行度预测的准确性.最后,设计了一种基于联邦深度学习的模型训练与缓存替换策略,通过聚合各MEC节点的本地模型以生成全局共享模型,进而更好适应优化后的不同缓存资源配置,提升多边缘协作缓存的命中率.基于MovieLens电影评分真实数据集,本文在测试床上展开了大量对比实验对所提出的M2CF方法进行了全面的评估.实验结果表明,M2CF与其他缓存方法对比展现出了更优秀的缓存性能与时效性能,且可以适应更为复杂的多边缘场景.