量子联邦学习（QFL）允许各客户端在不共享私有数据的前提下训练量子神经网络（QNN）模型。然而，在数据分布不均、通信不可靠、保真度波动、时延以及量子硬件噪声等条件下，传统的聚合方式表现出显著的不稳定性。更为棘手的是，QNN 参数多数为周期性角度，直接使用欧氏平均往往无法捕捉其固有的环形特性。为此我们提出了一种自洽的中点聚合方案，以实现稳健的 QFL 设计与实现。该方案包括三大核心技术：① 基于服务质量（QoS）的客户端加权，使得高质量链接的贡献更大；② 环形参数聚合，利用角度的模 $2\pi$ 特性进行加权平均；③ 基于有界中点的更新控制，防止参数跳跃导致的剧烈波动。我们在多组角度测试以及 IBM 真正的量子机器上完成了验证实验，结果表明所提方法能够显著提升聚合的稳定性并降低波动幅度。进一步在医学和金融数据集上的大规模实验显示，模型在保持竞争精度的同时，表现出更低的波动和更好的收敛性。
点评