随着物联网技术、互联网技术等兴起,集成了微电子技术、传感器技术、无线通信技术和分布式信息处理技术的传感器网络逐渐进入到人们生活的方方面面,它能够协同地实时监测、感知和采集网络覆盖区域内各种环境或检测对象的物理信息,并对其进行处理和传输,在军事国防、工农业控制、环境监测、危险区域远程控制等方面有着广泛的应用。参数估计是传感器网络的重要应用之一,它通过建立一定的统计模型,并采用各种算法从被噪声污染的节点测量数据中获得对某一参数的估计,从而确定不同物理量之间的相互依赖关系。按照传感器网络的节点协作机制,传感器网络的参数估计方式可以分为集中式和分布式。在集中式估计方法中,传感器网络需要一个融合中心,网络中各个节点将测量数据传送至融合中心进行集中处理,以获得全局的最优估计值,但是,在这种方式下,一旦网络融合中心不能正常运行,会导致整个网络的参数估计系统瘫痪。相比之下,在分布式估计方法中,网络节点依赖于和邻居节点之间的局部数据交换和协作处理获得全局的最优估计值,使得网络的部分节点在受到干扰甚至瘫痪的情况下,整个传感器网络仍能正常运行。另一方面,在实际的应用中,传感器网络所处的环境错综复杂,例如某些节点可能存在冲击噪声或脉冲干扰,也可能被人为地恶意攻击,这会造成节点测量数据中包含大大偏离实际范围的离群值(outlier),从而无法获得有效的参数估计,而这种影响通过节点协作机制传递到整个网络,导致整个网络的参数估计性能下降。为了解决这个问题,本文在传统的分布式LMS算法和分布式RLS算法的基础上提出两种基于节点协作、具有鲁棒性的分布式自适应估计算法,两种算法基于的思想是利用在一段时间内,节点受到干扰或攻击具有偶发性(稀疏性)的特点,在代价函数中引入l1范数,对测量数据中可能存在的离群值进行识别和剔除,同时利用网络节点之间的相互协作,进一步提高参数估计性能。在分布式鲁棒LMS算法中,我们考虑到在一个时刻内,同时对测量数据中的离群值和未知参数进行在线估计,从而将问题转换成了对离群值和未知参数的联合优化问题,其中,利用Huber函数对离群值不敏感的特性,将系统期望输出与实际输出的误差代入到Huber函数中,以去除测量数据中的离群值,然后结合传统LMS算法中的梯度下降法的思想,将Huber函数的梯度值代入分布式LMS算法的迭代方程,最后获得当前时刻对未知参数的估计。而在分布式鲁棒RLS算法中,在一个时刻内,首先通过坐标下降法对测量数据中的离群值进行估计,然后利用前一步获得的离群值估计对系统输出进行偏差补偿,再应用分布式RLS算法获得有效的参数估计值。论文通过一系列的计算机仿真实验,验证了本文提出的算法具有良好的估计性能。