无线传感器网络(Wireless Sensor Networks,WSN),由于其造价低,便于布置等特点受到了研究人员的广泛关注,并且被应用到了各个领域(如:军事,控制,监测等等)。分布式估计是信号处理领域的重要分支,因为其相对于中心式算法而言拥有较强的鲁棒性因此成为了近些年研究热点。分布式扩散最小均方算法(Diffusion Least Mean Square,DLMS)由于容易实现且估计精度较高等优势成为了一种经典的分布式估计的方法。但是DLMS算法也存在些许缺点,在算法的实现过程中,节点之间需要频繁的交换信息,相互协作完成相应的估计任务,因此导致了网络的通信代价较高的问题出现。为了使无线传感器网络长期稳定增加使用寿命,降低网络通信代价的算法成为研究的新方向。目前降低通信代价的算法有很多,包括数据选择,事件触发,部分扩散等等,其中部分扩散策略使用节点的部分信息进行参数估计,从根源上降低了分布式网络的通信代价。但是,部分扩散策略由于传输的信息不够完整,进而造成了网络估计精度降低,如果网络需要被应用于要求较高估计精度的任务时,传统的部分扩散策略也许就不再适用。与此同时,传统的部分扩散策略没有考虑到环境变化对网络拓扑结构的影响,在本文中针对传统部分扩散策略的缺点从提升算法的估计精度以及使算法适应动态网络环境变化两个方面入手进行深入研究并提出了新的算法。针对传统部分扩散策略(Partial diffusion Least Mean Square,PDLMS)估计精度较低的问题,在本文中设计了分布式友邻部分扩散策略(Neighbor-Partial diffusion Least Mean Square,NPDLMS)降低网络通信代价的同时,减少了算法的性能损失。除此之外,考虑到网络中存在的数据冗余,在NPDLMS算法的基础上引入了数据选择策略,数据选择可以有效的过滤网络中的数据冗余降低噪声干扰,因此数据选择的友邻部分扩散了策略(Data-selective Neighbor-Partial diffusion Least Mean Square,DNPDLMS)进一步降低了网络的通信代价,提升了算法的估计性能,拓展算法的使用领域。传统部分扩散策略没有考虑到环境变化对算法的影响,因此在本文中提出了自适应扩散策略,使其适应网络的动态变化。除此之外,针对网络中的数据冗余,设计了事件触发机制,并将其引用到自适应部分扩散策略中,设计了事件触发的自适应部分扩散策略(Event-trigger Adaptive-Partial diffusion Least Mean Square,ET-APDLMS),使其满足现实使用环境的需要。在性能分析中,分析了所提出算法的平均收敛性,均方收敛性,以及算法的通信代价,从理论角度证明了算法的可行性。在仿真试验中将现有的传统分布式算法,与所提出的算法做出了比较,分别从估计性能,通信代价,计算复杂度分析了算法的性能。为了证明算法在动态环境中的效果,文中给出了算法的动态环境仿真。通过仿真实验验证了理论分析的结果,进一步说明了算法的有效性。