随着电子通讯、智能感知与信号处理技术的发展,分布式网络采用分布式自适应算法,在监督学习、强化学习、自适应参数估计及优化等方面效果显著,已被广泛地应用在信号处理、智能物联网、智慧城市、智能电网等领域。本文考虑网络中的节点以分布式的方式,自主地通过节点之间信息协作解决参数估计问题。目前,自适应融合扩散最小均方算法（ATC d-LMS）因具有强大的适应性和稳定性而得到广泛应用,故本文基于ATC d-LMS算法框架进行问题的优化求解。由于实际应用中,网络中常存在属于不同簇的节点需要估计不同目标参数的多任务场景,且节点缺乏簇的先验信息。此时,异簇节点间盲目的合作会导致估计性能下降。同时,节点间任务的差异、时变的节点任务和簇结构对估计性能的影响也是具有挑战性的问题。另外,在风险性多智能体网络中,共享真实信息需付出较高的成本代价,这将引发节点间不诚实的信息共享行为。随着节点间的信息交互及演化,网络整体的信息安全性恶化。当不同簇中节点共享真实信息概率不同,尤其是大部分节点共享真实信息的概率较低时,节点进行有效信息合作的难度较大且多任务估计性能低下。因此,本文针对多任务网络中的参数估计问题,研究了多任务自适应聚类及其在风险性多智能体网络中的应用,以实现有效的信息合作和多任务估计。针对任务差异及非平稳的多任务环境对估计性能的影响,本文基于聚类思想设计分布式多任务估计算法。首先依据最小化估计偏差准则,推导出基于平均元素距离的自适应聚类阈值,进而基于该阈值构建多任务聚类算法应用于分布式多任务估计。将参数间的平均元素距离作为实时聚类检测统计量,充分利用估计参数每一维数据的信息,使节点学习得到其邻居节点的簇信息,无论任务差异大小还是非平稳的多任务环境下均表现出较好估计性能。在仿真中检验了任务差异大小对性能的影响,并与已有的策略在平稳和非平稳的多任务环境下进行比较,结果验证了提出的算法在准确性、鲁棒性方面的优势。针对风险性多任务网络上智能体节点共享不诚实信息的问题,本文基于演化的信息共享可信度均衡函数,对智能体节点之间的信息交换行为建模,节点在参数估计任务中的信息共享决策服从该模型。在信息共享模型基础上,利用非合作系统和最大化聚类估计性能增益的阈值为节点建立自适应伪聚类,同时利用信誉机制提供外部激励,指导节点在每个时刻根据信誉值进行有效的信息合作。最终得到风险性多任务网络中的分布式聚类学习安全估计算法（DATSLCS-AM）,在网络中大部分节点共享真实信息概率较低时,提高了信息合作的有效性和多任务估计的性能。最后,本文对DATSLCS-AM算法性能的稳定性与收敛性,以及伪聚类误差概率和自适应阈值的设计进行了理论分析,并模拟了不同的多任务网络场景,以检验所提出的DATSLCS-AM算法聚类估计性能的优越性。