无线传感器网络(wireless sensor network,WSN)作为一种感知和监测物理世界的分布式网络,因其具备规模大、自组织和可靠性高等特点,现在已经成熟地应用在军事、农业、工业和智能交通等领域。分布式参数估计是指在WSN中各节点针对各自所收集到的数据与邻居节点协同地估计出所感兴趣的参数。因无线传感器节点存在一些固有的局限性,如电源能量有限、计算能力有限和存储空间有限等缺点,使只需要存储少量实时数据和自适应信息处理的分布式估计算法得到了广泛的研究。本文的所有研究都是基于变步长分布式最小均方(Least Mean Square,LMS)算法,传统的变步长分布式最小均方算法虽然可以权衡稳态误差和收敛速度这两个性能指标,但是在一些特定环境中,如估计参数各分量的量级相差较大、稀疏参数估计问题和背景噪声伴随脉冲噪声等情况,传统的变步长分布式最小均方算法的估计性能会严重地恶化。针对这些问题,本文对变步长扩散式LMS算法进行了深入研究,主要的研究工作和成果如下:1.为了提高传统变步长扩散式LMS算法的性能,提出了一种新型的分量式变步长扩散式LMS算法。通过对分量式变步长扩散式LMS算法进行数值仿真并且与非分量式变步长扩散式LMS算法进行比较,验证了分量式策略的优势;2.为了抑制脉冲噪声对分布式参数估计的影响,提出了一种鲁棒性的变步长扩散式LMS算法。在脉冲噪声环境中对鲁棒性的变步长扩散式LMS算法进行数值仿真并且与同类算法比较,验证了该算法抑制脉冲噪声的能力和较于同类算法的优势;3.为了验证算法理论的正确性,分别对所提出的两个算法做了均值稳定性分析,并且对分量式变步长扩散式LMS算法做了均方性能分析。为了解决一些特定环境中的分布式估计问题,本文提出了一个分量式的变步长扩散式LMS算法和一个鲁棒性的变步长扩散式LMS算法,并且通过仿真实验验证了算法的有效性和优越性。在接下来的工作中,我将考虑安全问题,如应对分布式网络中的恶意攻击,还将考虑算法的应用问题,即将算法移植到真实的网络中。