系统辨识是自适应滤波最广泛的应用之一,同时系统辨识研究也是一个极具挑战性的问题,特别是在系统冲激响应还是稀疏的情况下。在非高斯噪声中,针对于稀疏冲激响应的系统辨识,PLMP（Proportionate Least Mean-power）算法具有很好的滤波特性。然而在实际应用中,系统的稀疏度并不是一成不变的。PLMP算法在时变稀疏度系统下不能保证滤波性能一直最好。为避免现有的PLMP算法在稀疏度变化情况下滤波器收敛速度降低,提出了改进的PLMP（Improved PLMP,IPLMP）算法。IPLMP算法在稀疏度较小时,由传统自适应滤波算法LMP（Least Mean-power）算法起主导作用;当系统稀疏度较大时,PLMP算法起主导作用。IPLMP算法很好的适应了系统稀疏度变化的环境。本文从以下三个方面对IPLMP算法进行了优化:（1）为了加快系统权值更新的稀疏化速度,本文在IPLMP算法的代价函数基础上加上了权值系数的l₁-范数,即采用权值系数的l₁-范数度量系统稀疏特性,得到了COST-ZAIPLMP算法。然而该范数并不是有效的稀疏性度量标准。由于-律和相关熵诱导度量（Correntropy Induced Metric,CIM）是两种对稀疏特性良好的逼近方法,进一步提出两种改进的算法:COST-RZAIPLMP算法和COST-CIMIPLMP算法。改进代价函数后的三种算法具有比IPLMP算法更快的收敛速度和更低的稳态误差。（2）为了获得更精准的步长因子,针对IPLMP算法中根据系统稀疏度调节算法的步长控制矩阵元素使用权值系数的l₁-范数,引入μ-律和CIM这两种方法,提出了另两种算法:μ-IPLMP算法和CIM-IPLMP算法。为了深刻分析这两种算法,对μ-IPLMP算法和CIM-IPLMP算法做了性能分析。对于稀疏系统,μ-IPLMP算法和CIM-IPLMP算法具有更好的滤波特性。（3）由于IPLMP算法和CIM-IPLMP算法需要提前设置随系统稀疏度调节参数的值,提前给定的值并不一定适应当前系统的稀疏度。引入时变参数,提出了IPLMP-β-vary算法和CIM-IPLMP-β-vary算法,它们能自适应系统稀疏度程度来调节算法。以减少CIM-IPLMP算法的计算量为目的,使用CIM-IPLMP算法中的步长控制矩阵元素的一阶泰勒展开式,得到CIM-IPLMP-TAYLAR算法。CIM-IPLMP-TAYLAR算法和时变的随系统稀疏度调节算法的参数结合,得到CIM-IPLMP-TAYLAR-β-vary算法。仿真结果证明了这几种算法的有效性。通过实验结果表明,与现有的LMP、PLMP算法相比,本文所提算法在非高斯噪声环境下的稀疏变化系统中可以实现更快的收敛速度以及较为精准的稳定均方性能。