分布式自适应滤波是自适应滤波算法在分布式网络上的拓展,其目的是利用分布在地理区域上的协作节点解决分布式估计问题。自适应滤波算法是分布式自适应滤波的核心。基于均方误差（Mean Square Error,MSE）准则得到的扩散最小均方（Diffusion Least Mean Square,DLMS）算法因其结构简单,估计性能好等优点而被广泛应用。传统的DLMS算法依赖于背景噪声服从高斯分布的假设,而当网络中出现脉冲噪声时,DLMS算法的性能将严重恶化,甚至不收敛。论文研究脉冲噪声环境下的的鲁棒性DLMS算法,选题具有研究意义与应用价值。首先,论文结合Alpha稳定分布和伯努利-高斯分布两种典型的脉冲噪声模型分析了脉冲噪声对DLMS算法的影响。仿真结果表明,即使少量的脉冲噪声也会导致DLMS算法的性能严重恶化。为解决脉冲噪声环境下DLMS算法性能严重恶化的问题,论文提出了基于Huber函数的动态阈值扩散最小均方（Dynamic-Threshold-Huber-based DLMS,DTH-DLMS）算法。所提出的算法采用Huber准则设计代价函数,结合了MSE准则的估计性能和平均绝对误差（Mean Absolute Error,MAE）准则的鲁棒性。同时,针对Huber准则下的阈值选取问题,提出了一种基于输出误差保留的动态阈值设置方法。节点利用该阈值检测脉冲噪声的出现,使算法在迭代过程中能动态区分正常数据和受脉冲噪声污染的异常值,并以相应的更新方式分别处理这两种数据。仿真结果表明,所提出的DTHDLMS算法有效地结合了MSE和MAE准则的优势,在有效对抗脉冲噪声干扰的同时实现良好的估计性能。为避免Huber准则下阈值选取带来的麻烦,论文提出了基于Log-Cosh函数的变步长扩散最小均方（Log-Cosh-based Variable Step-size DLMS,LCVS-DLMS）算法。所提出的算法采用Log-Cosh函数作为相对成本度量设计代价函数,使算法在自适应步骤对输出误差进行双曲正切约束,实现对脉冲噪声的鲁棒性。同时,对梯度参数进行自相关处理,进一步消除脉冲噪声的影响。此外,基于梯度参数的自相关,提出了一种脉冲噪声环境下的可变步长设置方法,改善算法在固定步长下收敛速度与稳态误差之间的矛盾。仿真结果表明,所提出的LCVS-DLMS算法在高斯噪声和脉冲噪声环境下均具有较快的收敛速度和较小的稳态误差。论文提出的两种分布式自适应滤波算法,有效提高了DLMS算法对脉冲噪声干扰的鲁棒性,在同时存在高斯噪声和脉冲噪声的复杂噪声环境中有较好的应用前景。