频率估计是信号处理领域具有广泛应用的重要问题。现在已有的频率估计算法大多使用单个处理节点来完成频率估计任务。而在一些实际应用中,我们需要基于网络的分布式频率估计。基于此,分布式陷波器滤波方法在最近被提出,这些方法以误差的二阶统计量作为目标函数。然而在非高斯噪声下,二阶统计量将不能充分利用数据中的有效信息。信息论学习为非高斯噪声下的信号处理提供了更合适的框架,它基于信息论测度设计目标函数,综合考虑了数据的分布信息而不仅是二阶统计量,因而可以在非高斯噪声下取得更好的学习效果。综上,我们结合分布式陷波器滤波方法和信息论学习,针对在非高斯噪声下实正弦信号和复正弦信号的频率估计问题,分别提出了基于最小总体误差熵的和基于最小复值总体误差熵的分布式频率估计算法。具体的,针对在非高斯噪声下实正弦信号的频率估计问题,我们首先给出了在分布式陷波器滤波方法框架下的问题模型,然后基于总体误差熵准则设计了分布式的目标函数,最后通过随机梯度算法和扩散式合作方法对该目标函数实现迭代求解。此外,考虑到待估计参数的稀疏性需求,我们在上述目标函数中加入了稀疏约束项,提出了基于最小总体误差熵的稀疏分布式陷波器滤波算法。针对在非高斯或非圆复值噪声下复正弦信号的频率估计问题,我们首先将总体误差熵准则拓展到复数域,提出了复值总体误差熵准则,然后根据此准则提出了基于最小复值总体误差熵的分布式陷波器滤波算法。本文进行了一系列的仿真实验,实验结果表明本文提出的分布式频率估计算法较基于二阶统计量的分布式频率估计算法有更优的估计性能。