自适应滤波器已然走过了几十年的发展历程,其作为数字信号处理领域的重要组成部分,被广泛应用于众多领域。而自适应滤波算法作为自适应滤波器理论的核心,一直以来倍受学者们的关注。提出收敛速度快、稳态误差小、计算复杂度低的优秀自适应滤波算法,是研究者们一直以来追求的目标。自适应滤波算法的一个经典应用场景便是系统辨识,传统的自适应滤波算法例如NLMS算法虽然结构简单且容易实现,但在面对类似于高相关性输入信号的情况时,已不能满足实际需求。子带自适应滤波器的提出成为面对此类问题的一个优秀的解决方案,其特殊结构能有效提升自适应滤波算法在有色信号输入时的收敛性能。另外,通过对信号参数设定误差指定边界值的集员滤波技术,也成为了改善算法性能的一种行之有效的方案。分布式滤波理论结合了分布式网络和自适应滤波理论,近年来逐渐成为了研究热点,被广泛应用于救灾管理、标定位与追踪、环境监测、目和医疗应用等众多领域。分布式网络按照拓扑结构的不同,可以分为扩散型、增量型、概率扩散型三种类型,而被重点关注的则是扩散型分布式网络。在扩散型拓扑结构的分布式网络中,各个节点不仅能收集和处理采集到的信息数据,还能与相邻节点进行信息交互。这种分布滤波方案能充分利用局部估计信息,进而达到良好的全局估计性能。基于扩散型分布式网络,许多扩散型分布式滤波算法被提出,但现有算法仍有一些不足之处,还值得进一步的研究和改善。为了提高扩散型分布式滤波算法的估计性能,本文引用集员滤波技术的特点,通过设定误差信号的指定边界,提出了集员扩散型子带分布式滤波（SM-DNSAF）算法,该算法优化了传统分布式算法的更新策略。在分布式估计中,能实现更快的收敛速度和更低的稳态误差,同时降低了算法整体计算复杂度。然后,通过使用一种平滑估计方法,提出了平滑估计版本的集员扩散型子带分布式滤波（SSM-DNSAF）算法,进一步优化了算法的更新过程,实现更好的分布式估计性能。本文对于稀疏系统进行研究,在这种系统中,大量权值系数为接近零或者为零的数,这样的特点使得传统自适应算法的性能变差。为此,研究者们提出了许多基于成比例矩阵思想的自适应滤波算法,该方法能有效改善稀疏系统下算法的收敛性能。本文基于成比例矩阵思想,提出了两种针对分布式估计中稀疏系统情况的算法,即集员扩散型成比例分布式子带滤波SM-DPNSAF算法和平滑估计版本的集员扩散型成比例分布式子带滤波SSM-DPNSAF算法,提升了稀疏系统下分布式算法的收敛性能,提升了分布式滤波算法面对稀疏系统情况时的整体估计性能。