一直以来,噪声的消除与抑制问题是信号处理中的核心问题之一。常规的抑制噪声的方法是给包含噪声的信号加一固定滤波器,使得噪声分量尽量地减少而得到有用信号。但是实际生活中,很多噪声环境都是时变的,而固定滤波器无法跟踪这种变化,因此,噪声抑制不理想。本课题针对噪声的时变性,采用具有自适应能力的滤波器,以便实时跟踪噪声环境的变化,将噪声有效地抑制。为此,本文研究了自适应滤波器及其噪声抵消的应用,主要着重于以下几个方面:　　 对基于最小均方误差LMS算法的自适应滤波器进行了研究,了解其性能,对其建立了单输入的噪声抵消系统。在不同输入信号,不同学习速率,不同输入信噪比的情况下对系统进行了仿真试验,仿真研究表明,该系统能够实现对线性噪声环境的模拟,达到了噪声抵消的目的,但是它的收敛速度慢,稳态误差低。　　 针对基于最小均方误差LMS算法的自适应滤波器的以上缺点,采用线性神经元网络来组成自适应滤波器,构成自适应噪声抵消系统。线性神经网络结构简单,但其自适应滤波效果好。仿真表明,其收敛速度与稳态误差较前者都有较大的改善,系统输出信号信噪比高。　　 若噪声通道结构比较复杂或存在非线性时,上述两种线性自适应滤波器的长度会增加,造成稳态失调增大、收敛速度降低,影响系统的抵消性能。由于神经网络经过训练后可以较好地逼近非线性函数,因此对于平稳信号输入,采用BP神经网络构成自适应滤波器可以提高系统的抵消性能。通过仿真实验研究,证明了噪声抵消效果显著,信噪比增益高。　　 针对多源噪声环境,采用单参考输入的自适应噪声抵消器不能全面均匀地收集所有噪声信号,致使噪声抵消效果不理想。对此,本文分别应用以上三种自适应滤波器构成了多参考输入的自适应噪声抵消器,分别进行了仿真实验,实验中,采用两路和三路参考输入,噪声抵消效果好,信噪比有了很大的提高,当加入第三路与原始输入不相关的参考输入时,噪声抵消效果不受影响,取得了较好的滤波效果。　　 综上所述,基于LMS算法与线性神经网络的噪声抵消系统,能够实现线性噪声环境的模拟,后者的效果更佳。而对于非线性噪声环境,BP网络滤波效果显著。就多源噪声环境,建立多参考输入噪声抵消系统,使得噪声信号可以被全面接受,噪声抵消效果好,达到了预期效果。