由于数据量激增而引起的信息爆炸使得传统集中式云计算不堪重负，边缘计算网络(ECN)被提出以减轻云服务器的负担。此外，在ECN中启用联邦学习(FL)，可以实现数据本地化处理，从而有效解决协同学习中边缘节点(ENs)的数据安全问题。然而在传统FL架构中，中央服务器容易受到单点攻击，导致系统性能下降，甚至任务失败。本文在ECN场景下，提出基于区块链技术的异步FL算法(AFLChain)，该算法基于ENs算力动态分配训练任务，以提高学习效率。此外，基于ENs算力、模型训练进度以及历史信誉值，引入熵权信誉机制评估ENs积极性并对其分级，淘汰低质EN以进一步提高AFLChain的性能。最后，提出基于次梯度的最优资源分配(SORA)算法，通过联合优化传输功率和计算资源分配以最小化整体网络延迟。仿真结果展示了AFLChain的模型训练效率以及SORA算法的收敛情况，证明了所提算法的有效性。