自噪声主动控制（Active Noise Control,ANC）思想提出以来,因对低频噪声具有良好的抑制作用,ANC技术得到了广泛关注和应用,逐渐走近我们的生活,尤其在乘用车上的应用也层出不穷,但车内的噪声环境往往是根据行驶环境实时变化且含有复杂的干扰噪声。另外,算法的收敛速度和运算量一直是改进算法关注的重点。算法的计算复杂度决定着算法的实用性和合理性。过高的运算量可能导致控制器过热,甚至影响整个系统的效率。因此,寻求一种适应性强、收敛速度快、运算量小的算法一直是ANC算法改进的重要方向。另一方面,滤波-x最小均方（Filter-x Least Mean Square,FxLMS）算法是ANC的基础算法,而次级通道辨识的精度影响它的性能。虽然离线次级通道辨识可以降低算法的复杂度,但由于次级声通道往往是时变的,离线次级通道辨识无法实时地提供精确的次级通道传递函数。在线次级通道辨识方法有较好的实时性,可以满足FxLMS算法对精确次级通道传递函数的要求。因此,对在线次级通道辨识算法的开发也具有重要的意义。本文基于以上问题,研究了基于多梯度方法的噪声主动控制算法和次级通道在线辨识方法。具体研究内容如下:本文提出了多梯度FxLMS算法来优化控制滤波器的权值向量的更新。该算法由误差信号的瞬时绝对值和误差信号与控制滤波器输出信号的功率递归估计的比值确定转换梯度的基点,把FxLMS算法的梯度、FxLMF算法的梯度和FxatanLMS算法的梯度分别作为所提算法更新权值向量的三个梯度方向,以达到提高收敛速度、改善降噪效果和降低计算负荷的目的。通过计算复杂度的分析和计算机仿真分析,比较所提算法和现有算法的性能,多梯度FxLMS算法的运算量是根据噪声的特点所决定的,其对功率变化的模拟参考噪声、强脉冲模拟信号和实际车内噪声有明显的降噪优势。针对次级通道在线辨识,本文提出了含有辅助白噪声的次级通道在线辨识算法。该次级通道在线辨识方法主要在辅助噪声增益调度策略和建模滤波器的变步长策略两个方面进行了优化。所提出的算法在降低计算复杂度方面具有一定的优势。通过粒子群优化算法选择了所有算法的参数以使它们的降噪和建模效果处于最优状态,通过计算机仿真证明了所提出的算法在降噪效果和建模误差上优于其他算法。根据反正切辅助噪声增益次级通道在线辨识方法的试验需求对主要硬件设备进行了选择并设计搭建了相应的硬件在环试验平台。此平台可通过转换误差麦克风实现次级通道的切换。采用匀速行驶工况下的车内噪声验证了次级通道在线辨识算法的优越性,其辨识到的次级通道路径与离线辨识的结果趋势一致。在次级通道变化后,其降噪效果优于离线辨识方法。