分布式估计是分布式信号处理领域的一项重要分支,它通过节点间合作的方式从噪声环境中估计感兴趣的参数值。分布式估计因具有更强的灵活性,鲁棒性以及更好的能量有效性已成为无线传感器网络(Wireless Sensor Networks,WSNs)的重要应用,并广泛运用于精密农业,环境监测,军事或空中监视等实际应用中。而无线传感器网络是分布式估计在实际环境运用中的重要依托,两者相辅相成,互相促进。其中,分布式扩散最小均方算法(Diffusion Least Mean Square,DLMS)是一种经典的分布式估计的方法。然而,DLMS算法也存在着某些缺点,例如:当网络中节点与自己直接相邻的邻居节点进行交换信息时,如果单纯地扩大交换信息的邻居节点范围会在一定程度上提高估计的准确性,但通信量也会显著增加;除此之外,在环境噪声为高斯噪声的情况下,DLMS算法可以实现较好的估计效果,而环境噪声为非高斯时,尤其是脉冲噪声情况下,估计准确性将会急剧下降。本文针对DLMS算法采取多跳邻居节点通信的方法来提高估计准确性,造成通信量显著增加的问题,设计了一种减少通信量的多跳减小通信量的扩散最小均方(Multi-hop Reduce Communication Least Mean Square,Multi-hop RC-DLMS)算法。该算法通过扩大目的节点交换信息的邻居节点范围,并且在不同范围的邻居节点中,选取部分节点进行通信。该算法不仅能提高DLMS估计算法的准确性,又能有效的减少因扩大通信范围而显著增加的通信量,实现通信量和估计准确性的有效均衡。本文还考虑了当环境噪声为非高斯情况时,基于传统二阶代价函数的分布式估计算法如DLMS,扩散递推最小二乘(Diffusion Recursive Least Square,DRLS)算法不再适用的情况,进而在本文中引入广义最大相关熵算法。并且,由于传统的单任务网络不考虑估计任务之间的相关性,本文针对多任务估计,提出了基于多任务的分布式扩散广义最大相关熵算法,研究了多任务之间的相关性对算法估计性能的影响。仿真结果表明,该算法同相关算法相比实现了更好的估计性能。