随着现代无线通信技术、传感器技术和嵌入式技术的日趋成熟,无线传感器网络的理论和技术成为国内外的研究热点之一,并在环境监测、军事国防、工农业和医疗等领域得到了越来越广泛的应用。参数估计是无线传感器网络中的关键问题之一,它通过节点采集得到的测量值,建立一定的统计模型,并运用相应的算法来获得对感兴趣参数的估计值。在基于传感器网络的参数估计中,如何尽可能地降低网络的使用成本,同时又能获得较好的参数估计性能,是近年来受到国内外学者较为关注的一个研究问题。为了减小传感器网络的能量消耗,节省通信带宽和存储等资源,本文考虑利用传感器网络中各节点的1比特测量值,并采用自适应参数估计算法来实现对未知参数的估计。首先,各个节点将测量信息压缩为1比特数据,然后,按照网络的拓扑结构有无中心节点,论文对参数估计问题分为集中式和分布式分别进行研究。在集中式的参数估计中,节点将1比特测量数据传输至计算功能强大的融合中心进行集中处理;而在分布式的参数估计中,节点间根据一定的协作方式,将数据传输给邻居节点,获得局部最优的估计值。由于量化后的测量值与未知参数是非线性关系,直接使用最小均方误差准则的经典自适应算法无法获得较好的估计结果,因此,本文结合期望最大和递归最小二乘的方法,对网络的两种不同工作模式分别提出了1比特集中式RLS算法和1比特分布式RLS算法,并将算法进一步推广到了网络中各传感器节点噪声方差未知的情况。论文将提出的算法与其它相应算法进行了比较,并通过一系列的仿真实验,验证了提出的算法具有较好的收敛性和稳定性,能获得与使用非量化测量值的传统RLS算法相近的估计精度。同时,仿真结果表明,集中式参数估计算法的估计精度高于分布式,但在该方式下,融合中心一旦出现故障,整个网络将停止工作,鲁棒性较差。