针对联邦学习(Federated Learning，FL)在非独立同分布(Non-IID)环境下因梯度敏感度差异显著导致传统固定隐私预算分配失效的问题，系统综述了自适应隐私预算分配(Adaptive Privacy Budget Allocation，PBA)的方法与技术进展。自适应隐私预算分配策略作为平衡分布式系统隐私强度与模型效用的核心工具，在解决梯度扭曲及模型收敛困难方面具有重要意义。首先构建了涵盖统计度量、学习算法及规则博弈三类主流方法的分类框架；深入剖析了基于库尔贝克-莱布勒(Kullback-Leibler，KL)散度与Wasserstein距离的统计量化机制，探讨了强化学习(Reinforcement Learning，RL)与元学习(Meta-Learning)的决策优化机理，并论述了基于阈值规则、纳什均衡(Nash Equilibrium)及激励机制的博弈协调逻辑；最后总结了隐私预算在量化度量、计算开销与系统公平性等维度面临的挑战，并对自动化隐私保护(Auto-DP)与大语言模型(Large Language Model，LLM)隐私微调等未来趋势进行了展望，为构建高效、稳健的分布式隐私安全体系提供了理论参考。