分布式自适应网络因其在环境监测和频谱感知等领域的应用而受到广泛关注。其中,扩散式子带自适应滤波(Diffusion Subband Adaptive Filtering,DSAF)算法采用扩散策略与邻居节点进行信息交换并使用子带技术解决了分布式网络中输入信号存在相关性的问题。但实际应用场景中广泛存在的具有脉冲特性的非高斯噪声会导致传统的DSAF算法发生性能退化甚至完全失效。本文深入研究了非高斯噪声对DSAF算法的影响,将最大相关熵准则(Maximum Correntropy Criterion,MCC)作为新的代价函数,推导出最大相关熵扩散式子带自适应滤波(Maximum Correntropy Criterion Diffusion Subband Adaptive Filtering,MCC-DSAF)算法。在MCC-DSAF算法中,当误差信号受到非高斯噪声影响较大时,自适应滤波器权系数几乎不更新,保证了算法的稳定性;当误差信号变化较小时,滤波器权系数以较大步长完成更新,保证了算法的收敛速度。同时,考虑到水声通信、电话会议等系统的稀疏特性,本文将自适应增益矩阵技术与MCC-DSAF算法进行结合,提出了针对稀疏系统的最大相关熵改进比例的扩散式子带自适应滤波(Maximum Correntropy Criterion Improved Proportionate Diffusion Subband Adaptive Filtering,MCC-IPDSAF)算法,该算法在权系数更新过程中按照每一时刻的权值大小成比例地调节权向量的每一元素,从而进一步地加快了算法在稀疏系统中的收敛速度。基于适当的合理假设,本文从收敛性和稳态性两方面对MCC-DSAF算法进行了理论分析。大量的仿真实验表明本文提出的算法相比于现有一些DSAF类算法具有更好的收敛性能、稳态性能和跟踪性能,针对不同非高斯噪声环境和不同稀疏度系统均具有良好的适应性。