论文从单节点稀疏自适应滤波算法与自适应网络滤波算法两方面开展了相对独立的研究。在单节点稀疏自适应滤波算法的研究方面:(1)对于一般稀疏的未知参数向量,针对L0范数约束下的最小均方(L0 norm constraint least mean squares,L0-LMS)算法,基于均方偏差(mean square deviation,MSD)最速下降准则提出零吸引因子的自适应迭代准则。零吸引因子是该算法的一个重要参数,关系着算法的收敛速度与稳态误差,但现存文献中尚无实际可用的参数选择依据,且在量测噪声时变环境下,固定的零吸引因子无法满足系统对稳态精度的要求。仿真测试所提算法在量测噪声时变的环境下对稀疏系统的辨识性能。(2)对于分簇稀疏的未知参数向量,以网络回声消除器为应用背景提出一种基于有效阶数辨识的归一化LMS(nomalized LMS,NLMS)算法,以最小化均方误差为准则对滤波器的有效阶数进行实时迭代以定位未知回声路径中的有效回声路径,并通过设置故障检测与重置功能,即:若有效阶数低于预定阈值,则重新定位有效回声路径,实现对时变有效回声路径的实时跟踪估计,另对涉及参数提供了选取依据以便于实际应用。最后,仿真测试所提算法对有效回声路径的位置及权值变化的跟踪性能。在自适应网络滤波算法的研究方面:(1)基于扩散式信息融合结构提出一种变阶数自适应网络滤波算法,各网络节点以最小化网络均方误差和为准则对滤波器权向量的权值及阶数进行实时迭代,以实现对维度未知甚至时变的未知参数向量的分布式在线估计。分析滤波器权向量的权值及阶数的收敛过程,推导得出稳态MSD及稳态阶数的闭式表达式,提出阶数平均收敛的充分条件,并基于该平均收敛条件提出实际可用的参数选择依据。最后,仿真验证理论分析成果的准确性,参数选择依据的合理性,以及在未知参数向量维度时变环境下所提算法的有效性。(2)基于随机坐标下降法提出一种扩散式自适应网络滤波算法,在每个迭代时刻,网络中的各节点随机选取滤波器权向量的一个子集进行自适应更新,且在不同时刻、不同节点处该子集的选取不同。该算法有效降低了各节点的实时计算成本,且解决了梯度数据随机丢失情况下未知参数向量的分布式在线估计问题。分析算法的稳定性,并推导得出稳态MSD、稳态超额风险(excess risk,ER)以及稳态收敛速率的闭式表达式。比较该算法与现有的基于随机梯度下降法的扩散式自适应网络滤波算法的计算成本、收敛速率、MSD与ER性能。最后,以均方误差网络与逻辑回归网络为例仿真验证理论分析结果的准确性。