随着现代科技的迅速发展,各门学科的研究方法越来越趋于定量化。在科学实验及生产实践中,对于复杂的研究对象,人们通常要求通过观测和计算来定量并判明其内在规律,从而产生了系统辨识问题。系统辨识有着重要的实际应用,比如在信号处理、通信和控制等领域。实质上,其是根据系统的输入及输出信号来估计或确定系统的单位冲激响应、系统的特性或传递函数。然而现实情况中,许多待辨识的系统具有稀疏特性,即成千上百个系数中只有很少的系数有显著值,而其他的系数为零或很小值。针对此类系统,传统的自适应算法,如最小均方(LMS)算法及其各种改进算法的收敛性能并不理想,因为它们均没有利用稀疏性这一先验知识。近些年来,研究者相继提出了一些利用系统脉冲响应稀疏特性的算法,且对稀疏系统辨识取得了改进效果。其中最为显著的是成比例归一化最小均方(PNLMS)算法及其改进算法。为更进一步改善对稀疏系统辨识的性能,本文专注于研究成比例自适应算法的各种改进算法就显得十分必要。首先,简述了传统的LMS算法、PNLMS算法及其改进算法的基本思想,并分析了PNLMS算法及其改进算法的优缺点。当输入信号为相关信号时,改进PNLMS (IPNLMS)算法收敛速度缓慢,本文通过引入解相关原理得到的DIPNLMS算法改善了IPNLMS算法的收敛性能。为了进一步解决定步长DIPNLMS算法中存在的收敛速度和稳态失调之间的折中问题,本文又结合自适应凸组合滤波器,提出了自适应凸组合DIPNLMS(CDIPNLMS)算法。其次,成比例仿射投影算法(PAPA)是PNLMS算法的在时域上的扩展形式,对于相关输入信号,PAPA虽具有较快的收敛速度,但其计算复杂度较高。为此,C.Paleologu提出了记忆PAPA(MPAPA)。然而,MPAPA中比例步长参数不合理的计算方法导致了其后期收敛速度减慢,针对此问题,本文利用脉冲响应与滤波器当前估计值的差来确定比例步长参数。由于实际情况中的目标系统权系数是未知的,我们采用过去某个时间估计的权系数作为目标系统权系数,从而得到了基于权系数差的MPAPA (WMPAPA)。在此基础上,针对WMPAPA中计算比例步长参数的方法不能使其与滤波器权系数的实际幅值完全成比例这一问题而导致的收敛速度缓慢的问题,本文引入独立活性因子方法,提出了独立活性因子的WMPAPA(IAF-MPAPA),对于高稀疏系统获得了良好的辨识效果。最后,当输入信号为相关信号时,归一化子带自适应滤波(NSAF)算法大大加快了归一化LMS (NLMS)算法的收敛速度。针对稀疏系统,成比例NSAF (PNSAF)算法则表现出较快的收敛速度。为了对实际情况下的一些高稀疏系统有更好的辨识效果,本文结合独立活性因子方法,得出了独立活性因子的PNSAF (IAF-PNSAF)算法,改善了PNSAF算法的收敛速度。为进一步解决定步长IAF-PNSAF算法中存在的收敛速度和稳态失调之间的折中问题,本文提出了自适应凸组合IAF-PNSAF (CIAF-PNSAF)算法,其不但有快的收敛速度,还有低的稳态失调。通过在MATLAB软件中的仿真实验,验证了本文所提的各种改进成比例自适应滤波算法的有效性。