随着低功耗无线通信技术之发展,无线传感器网络(Wireless Sensor Networks,WSNs)技术随之兴起,并得到广泛关注。目前,WSNs中信号处理面临的主要挑战有信道估计、节点时钟同步、节点间信息传输去噪、分布式参数估计等。本文主要研究了基于压缩感知的分布式估计算法在信道估计中的应用。首先,介绍了WSNs中集中式和分布式两种处理技术,叙述了分布式的优越性―协同合作。介绍了分布式算法广泛的应用领域。然后介绍了信道估计的数学模型及常见的LMS信道估计算法。其次介绍了分布式的各类协作模式,着重研究扩散式协作策略。由此引入了Metropolis融合准则下的扩散式LMS(D-LMS)算法,它是分布式自适应信道估计算法的其中一种。本文对D-LMS算法的收敛性进行了理论分析和求证。近年来,高维数据经常出现在学界和工业界相关领域。随着应用需求的不断提升,需要估计的参数的维度也不断增加,采用传统算法处理往往带来更高的复杂度和更大的能量消耗,以及更低的收敛速度和更低的估计精度。考虑到WSNs中感知节点本身就有能量、存储空间、计算能力受限的特点,必须对分布式估计系统进行改进。本文充分利用信道的稀疏性,在分布式信道估计框架中引入了压缩感知这一有力工具。基于压缩感知的分布式信道估计系统为自适应估计环节降低数据维度,从而降低节点的计算复杂度。新系统可行的依据来自压缩感知在有噪测量下的重构理论。最后,在基于压缩感知的分布式信道估计框架中,优化了测量矩阵,目的是为提高信道系数的重构精度。这个矩阵优化算法对传统的优化算法做了步骤精简,将列归一化与列相干系数优化两者合并,转化为求解一个最优化问题。通过仿真验证了新算法在矩阵平均列相干性以及信道系数重构精度方面的优势。本文将分布式协作、自适应信号处理和压缩感知三大技术有机结合,应用于信道估计。主要贡献如下:1.在WSNs环境下将D-LMS算法用于信道估计,且作收敛性分析;2.将压缩感知技术融入到分布式信道估计系统中,形成CS-DCE系统;3.优化CS-DCE系统中的测量矩阵,改进了CS-DCE重构误差;4.用仿真验证了提出的测量矩阵优化算法对应的CS-DCE系统性能。