本文提出 FedADB，一个基于类别锚点的双分支联邦学习框架，用于缓解联邦学习中的灾难性遗忘问题。在联邦学习中，多个异构设备上的多模态数据协同训练，但本地训练时模型容易遗忘先前学到的全局知识，尤其在客户端数据异质性下，导致性能和收敛速度显著下降。现有方法多依赖全局对齐策略保持全局知识，但可能阻碍局部优化，且对缺失类别的监督不足。FedADB 通过服务器在可微输入空间中生成类别锚点，并在客户端间共享，这些锚点作为全局参考，在本地训练中为缺失类别提供监督。同时设计了双分支协同训练机制：锚点全局分支通过类别锚点平衡采样实现全局知识对齐，保持全局一致性；局部校准分支关注判别性局部特征学习，缓解过度全局对齐导致的局部表示退化。在多个医学和自然数据集上的大量实验表明，FedADB 在准确率和收敛速度上均有显著提升。该方法不依赖代理数据集，有效平衡了类别级全局一致性与局部优化目标，为联邦学习中的数据异质性和遗忘问题提供了新思路。