无线传感器网络(Wireless Sensor Networks,WSNs)通常由大量具有集成感知、信号处理和通信能力的微小型传感器节点组成,各个节点能够协同地对感兴趣的物理信息进行采集、分析和传输,在目标跟踪、目标定位以及环境监测等领域有着广泛的应用。基于WSNs的应用问题通常可以归结为基于WSNs的参数估计问题。通常情况下,各传感器节点将感知的信息发送给融合中心,融合中心利用接收到的数据,设计相应的算法,分析和处理这些数据,从而获得未知参数的估计。然而,由于每个传感器节点的感知精度、计算和通信能力、存储容量都有限,这给基于WSNs的参数估计算法设计带来较大的挑战。为了避免大比特量的信息传输导致节点较多的能量消耗和较大的通信负载,论文考虑将每个传感器节点的采样信号值压缩到1比特信息后,再传输到融合中心进行集中处理;另外,为了更好地适应实际环境,论文考虑节点的采样信号同时包含加性噪声和乘性噪声。结合这些问题,论文提出一种基于期望最大化(Expectation Maximization,EM)的单比特最大似然估计算法,该算法能够获得与基于模拟测量值(无线比特精度)的最大似然估计(Maximum Likelihood Estimation,MLE)算法相近的估计精度,并且估计值的均方差接近Cramér-Rao下界。由于自适应信号处理有更低的存储要求,适合在线参数估计,特别是对慢时变参数的估计,论文提出了一种乘性噪声环境下1比特测量的递归最小二乘(Recursive Least Square,RLS)算法。另一方面,针对大规模无线传感器网络,传感器节点数量多分布范围广,传统的集中式无线网络存在较多的弊端,相比之下,分布式传感器网络具有更好的鲁棒性。因此,本论文进一步研究了乘性噪声环境下传感器网络基于1比特采样信号的分布式参数估计问题,分别提出了基于阈值优化和基于期望最大化的分布式参数估计算法。论文对提出的算法进行了大量的仿真实验分析,同时与现存的其它算法进行了比较,这些实验和分析结果验证了论文算法的有效性。