随着信息处理学科领域理论与技术的不断发展,自适应信号处理已成为信号与信息处理学科一个新的重要学科分支。无论是在系统辨识、回声消除,还是在信道均衡、波速形成和自适应预测上,自适应滤波算法都有着极为广泛的应用。而且,自适应滤波算法的收敛速度、稳态误差、计算复杂度和跟踪性能,一直以来都作为算法优劣的判别标准。传统意义上的自适应信号处理,往往针对的是线性回归模型,而实际生活应用中,信号在传输过程中,多少会出现失真的情况。其中一个原因就是,传感器的自身饱和特性,导致了接受的信号无法被完全观测到,这种模型,称之为截尾回归模型（或删失回归模型）。在此模型下,无论是进行系统辨识、回声消除,还是进行信道均衡、波束形成,利用传统的自适应算法,都无法达到理想的效果。首先,针对截尾回归模型下的单一的非高斯噪声环境,提出了一种基于此模型的递归广义混合范数算法（Recursive Generalized Mixed Norm Algorithm Based on Censored Regression,CR-RGMN）,并在系统辨识和信道均衡两个应用中,对CR-RGMN算法进行了计算机仿真实验。然后,针对输入信号为有色信号（如语音信号）的情况下,提出了一种基于截尾回归模型的仿射投影算法（Affine Projection Algorithm based on Censored Regression,CR-APA）。进一步的,针对CR-APA算法在大步长,收敛快,但稳态误差大;小步长,收敛慢,但稳态误差小的问题;以及仿射投影阶数大时,收敛快,稳态误差大,且计算复杂度高;仿射投影阶数小的时候,收敛慢,稳态误差小的情况,提出了一种截尾回归模型下的不定阶变步长仿射投影算法（Variable Step-size Affine Projection Algorithm with evolving order based on Censored Regression,CR-EVSAPA）。并在系统辨识和回声消除两个应用中,对算法的性能进行了仿真实验。最后,在一些主动噪声控制应用中,机械摩擦,振动噪声和语音信号是超高斯/脉冲（重尾）信号。在盲源分离、具有多个天线的自适应接收机和图像去噪中,可以是混合的亚高斯和超高斯/脉冲信号。针对这种非高斯混合噪声问题,提出了一种基于截尾回归模型的鲁棒的M形误差权重算法（A Robust M-Shaped Error Weighted Algorithms for Censored Regression,CR-FRMS）。进一步的,针对未知系统为稀疏系统时的情况,提出了一种基于截尾回归模型的成比例零吸引鲁棒的M形误差权重算法（l₀-norm proportional FRMS algorithm for the censored regression model,l₀-CRPFRMS）。并通过计算机对算法性能进行了仿真实验。