随着现代通信和传感器技术的飞速发展,人们对信道频谱利用率和信息传输速率的要求越来越高,稀疏信道的估计问题和分布式多代理网络的协同估计问题显得尤为突出。本文主要研究稀疏辨识在分布式多代理网络中的应用,即基于稀疏辨识算法,利用分布式协同策略实现网络对稀疏系统参数的协同估计。稀疏系统参数辨识是指在代价函数中添加稀疏性约束项,对零权系数和非零权系数施加不同权重的吸引力,提高算法收敛速度;分布式协同估计是指分布式网络结构中各个代理通过不同的信息交互策略分享网络中数据并协同处理,实现整个网络的协同估计。首先介绍基于LP范数约束的稀疏辨识算法:L0-LMS算法和L1-LMS算法,两种类型的算法是利用系统稀疏的先验特性对标准最小均方(LMS)算法的改进。在单代理稀疏辨识算法的基础上,根据现有的分布式协同估计方法研究成果,本文针对分布式多代理网络中各代理协同估计稀疏系统参数的问题进行了研究。采用分布式协作策略优化稀疏辨识算法,在实现协同估计稀疏参数的同时,增强了分布式网络的辨识能力。在实际的工程环境中,代理的输入和输出信号通常伴有干扰噪声,从而导致自适应估计出现偏差。偏差补偿原则是指分析估计过程中产生的偏差并通过自适应估计噪声方差对代价函数进行修正,得到无偏估计的更新公式,最终实现未知目标参数的无偏估计。本文基于前向预测噪声方差估计方法提出了适用于簇稀疏系统的偏差补偿算法,并结合不同的分布式策略,提出基于多代理网络的分布式偏差补偿RZA-LMS算法。仿真结果表明,本文提出的偏差补偿方案有效地提升了稀疏系统辨识的准确度,而且在多代理网络中,分布式偏差补偿稀疏参数协同估计也有良好的收敛性能。