强噪声环境下信号检测和提取一直是信号和信息处理领域的热点和难点。自适应LMS算法，为这一问题提供了强有力的解决工具。随着传统LMS算法、最陡下降法、以及各种频域LMS、批处理LMS、变步长LMS算法等的不断改进，使滤波效果更佳，取得了更好的信噪比和均方误差。根据LMS算法的指标：收敛速度、跟踪能力、稳态失调，结合罗兰C信号的特点：天地波高相关度相干、随机噪声无处不在、窄带脉冲作用时间短强度高，在已有文献的基础上对去噪算法进行改进一变换域批处理变步长算法。该算法在这三个指标方面均有显著提高。 上述算法用到傅立叶分析有显著改进，但仍限于在频域中展开。罗兰C的信号频率信息对去噪诚然十分重要，若如果能够结合丢弃的时域信息将会取得更好的去噪效果。在众多的能表征时域和频域信息的分析方法中，小波分析克服了短时傅立叶变换只能在一个分辨域上进行分析的缺陷，具有多分辨率分析的特点，在时域和频域都有表征信号局部信息的能力。这样以来，我们在对罗兰C信号进行多尺度分析的基础上运用前述算法，可得到理想的处理效果。仿真结果证明了算法的有效性。 小波变换是线性变换，对于噪声污染信号，它的小波变换也是由信号小波变换和噪声小波变换相加组成的。由于白噪声小波变换的模极大值随分解尺度等级增大而减小，同时噪声信号分布在不同时频子空间内，而基于小波的信号分析不能对高频区进行信号再分解，高频噪声的剔除不够理想。针对此不足，可通过进行小波包分解后进行自适应滤波，最后进行小波包重构来解决，仿真显示这一改进方法效果更好。