随着传感器时代的来临,分布式自适应网络已经成为具有挑战性的热点研究领域。自适应网络擅长分布式信息的处理和优化问题,以及为自然界中的各种自组织复杂行为建模。本文研究分布式自适应网络中应用广泛的分布式估计问题。分布式网络是由一群具有数据处理,学习以及数据传输能力的节点组成,这些节点以多样化的拓扑结构连接在一起形成互联网络,网络中的节点可与各自的邻居节点进行信息交互,通过相互协作完成对共同目标参数的估计。分布式算法是分布式估计的核心技术,是由自适应估计算法和协作策略共同组成。本文研究重点是基于LMS的分布式估计算法。首先,本文简要概述了分布式估计所面临的问题和挑战,以及分布式估计算法的应用和国内外发展现状,并且介绍了一种基本的单节点自适应估计算法,即最小均方(LMS)算法,然后在单节点估计的基础上,研究多节点协作估计算法,详细描述了分布式协作策略中的扩散策略,引出了扩散最小均方(DLMS)算法,并且对单节点LMS估计算法和多节点DLMS估计算法进行了仿真比较。仿真结果表明,多节点合作估计的性能要优于单节点估计,说明信息的交互可以带来性能的提高。其次,实际的网络环境并不是绝对安全的,恶意节点的存在会篡改自身的数据,并且通过扩散进而影响整个网络的估计性能。而且,恶意节点的攻击方式多样化,其攻击行为难以预测,为此,本文对多种攻击行为进行了分析,将常见的攻击概括为同向攻击和高斯攻击,针对同向攻击提出了基于中值滤波的分布式扩散最小均方(MF-DLMS)算法,该算法通过对接收到的邻居节点的估计值进行排序,然后进行中值滤波处理,弃用排在邻居集合两端的恶意攻击值,有效抑制恶意节点带来的影响。但是MF-DLMS算法对高斯攻击的效果不理想,而且MF-DLMS算法自身受拓扑结构和恶意节点数量影响因素较大,导致其应用性有限。为了寻找鲁棒性更强的算法,本文在扩散融合阶段提出一种异常数据检测方法和恶意节点评价以及预警机制,并将其应用于DLMS估计算法中作为改进,得到基于异常数据检测的分布式扩散最小均方(ODD-DLMS)算法,此方法能够使正常节点在每次迭代过程中准确识别出恶意节点的数据并拒绝其进入下一步运算,其评价和预警机制能够有效给出恶意节点的安全指标并且及时做出安全预警。仿真结果表明,相比DLMS算法,在攻击情况下两种算法都能够大幅度提高整个网络的估计性能,有效降低恶意节点的影响,但ODD-DLMS算法比MF-DLMS算法的鲁棒性更强,效果更好。最后,利用分布式估计解决不同领域的问题也是本文研究的一个重点。本文将分布式估计与频谱感知相结合,利用自适应LMS算法对原始发送信号的幅度进行单节点实时估计,并以其估计值作为检验统计量,判断主用户是否存在,实现频谱感知。理论和仿真结果均表明,此方法对微弱信号检测能力较强,且性能明显优于能量检测算法,而且有效克服噪声不确定度的影响。