基于无线传感器网络的参数估计问题是近几年的研究热点。考虑到传感器节点的体积小、能量存储有限等问题,设备的功率、数据的传输速度和存储容量一般是有限的。若将采样信号不加任何处理便直接传输到融合中心,将会导致节点的能量迅速损耗,同时造成巨大的通信负载,从而影响整个网络的性能。目前,主要的解决方法是将各节点收集到的信号压缩成1比特量化值再发送,从而减小整个系统的能耗。然而这些算法大多没有考虑到估计参数的稀疏性。与此同时,许多基于1比特量化值的算法只考虑到了模型的输出数据会受到加性噪声的干扰,但是在实际应用场景中,输入数据也会收到乘性噪声的干扰。除此之外,节点与节点之间的信道同样也可能收到随机噪声的干扰。考虑到上述问题,本文在将采样信号压缩成1比特量化值的基础上,研究了基于信道含有随机噪声干扰和输入数据收到乘性噪声干扰的环境下的参数估计算法。考虑到采样信号的稀疏性,研究了基于稀疏约束的参数估计算法。一方面,在非理想信道的参数估计问题中,首先提出了基于总体最小二乘估计的梯度下降算法。但是在大样本数量的情况下,其收敛速度较为缓慢,因此考虑使用牛顿法来解决这个问题。进一步地,由于牛顿法求解逆矩阵所带来的运算量十分巨大,考虑使用拟牛顿法避免逆矩阵的计算,从而大幅度降低算法的运算量。另一方面,在具有稀疏性的参数估计问题中,考虑到稀疏约束项能够加快系统权矢量参数的更新速度,因此将l1范数带入到相应的代价函数中。在此基础上计算推导出一种基于稀疏约束的1比特参数估计算法。除此之外,对于上述算法均推导计算了对应的克拉美罗下界。为验证所提出的算法的估计性能,论文基于信道中存在随机噪声的测量误差模型提出了一系列估计算法,并对其进行了一系列的仿真对比实验。实验结果说明,在乘性噪声和加性噪声同时存在的环境下,算法的均方误差逐渐接近克拉美罗下界,证明所提出的算法具有较好的鲁棒性以及有效性的特点。同时,在非理想信道的环境中,所提出的1比特拟牛顿参数估计算法的估计精度近似于牛顿法,同样具备有效性和鲁棒性的特点。