分布式自适应滤波算法是通过分布式网络中传感器采集到的数据对感兴趣参数进行自适应估计的一种方法,在目标定位、智能检测等领域得到了广泛应用,是当前信号处理领域的研究热点。但实际应用场合中广泛存在的具有脉冲特性的非高斯噪声会导致传统的分布式自适应滤波算法性能严重退化。以信息论为基础的最大相关熵准则(Maximum Correntropy Criterion,MCC)是一种局部相似性度量,可有效抑制具有脉冲性的异常值点对算法的影响。DMCC(Diffusion MCC)算法就是基于MCC准则建立起来的一种分布式自适应滤波算法。但传统的DMCC算法既未充分利用系统本身的特性,也没有考虑固定核宽的局限性。因此,本文对传统的DMCC算法进行了深入研究和有效改进。首先,本文结合高斯和最大值函数提出一种改进的可变核宽函数,实现了算法在迭代过程中依据误差的变化动态更新最大相关熵的核宽。即在迭代初始阶段算法选择较小的核宽来提高其收敛速度,在收敛阶段算法选择较大的核宽来降低其稳态误差,从而有效地缓解了算法在收敛性能和稳态性能间的矛盾;其次,将所提出的可变核宽函数应用于DMCC算法中,并引入稀疏比例矩阵思想提出了DPMCCadapt算法(Adaption Kernel Width Diffusion Proportional MCC)。该算法不仅可以有效抑制非高斯噪声,而且可根据权系数大小在迭代过程中按比例调整的算法步长,从而显著提高了其在稀疏系统下的收敛速度。最后,通过合理的假设,本文对所提出的DPMCCadapt算法在收敛性能和均方意义的稳态性能上进行了详细的理论分析,并将提出的DPMCCadapt算法与现有的扩散式自适应滤波算法进行了复杂度对比。理论分析和仿真结果表明,本文提出的DPMCCadapt算法比传统的扩散自适应滤波算法具有更好的收敛性能、稳态性能和跟踪性能,而且在非高斯噪声下具有更好的鲁棒性,适用于不同稀疏度的稀疏系统。