随着无线网络的应用、芯片集成度的提高与计算能力的增强、以及信号处理技术的进步,基于无线传感网络（Wireless Sensor Network,WSN）的分布式信息处理技术受到学者与产业界的关注,成为了研究热点。分布式自适应算法因结构简单且易于实现的特性,被广泛地应用于解决分布式参数估计的问题。分布式自适应网络是由一组具有数据处理和通信能力传感器节点组成,通过自适应算法和节点间协作进行目标参数的估计。但是,由于网络开放性和节点间的协作特性,分布式信息处理易遭遇网络攻击,其中错误数据注入攻击（False Data Injection Attack,FDIA）是最典型的攻击之一。对抗网络是指存在攻击者的网络,当网络遭遇错误数据注入攻击时,网络中的节点将不能正确地执行参数估计任务,从而得到一个错误的目标参数估计结果。因此,论文研究分布式网络中的安全分布式自适应估计算法。论文首先分析了错误数据注入攻击对扩散最小均方（Diffusion Least Mean Square,DLMS）算法的估计性能的影响,推导了对抗网络环境下稳态均方偏移（Mean Square Deviation,MSD）的表达式。研究结果表明,传统的DLMS算法在有恶意节点发起攻击的情况下估计性能会严重恶化。针对存在错误数据注入攻击条件下DLMS算法估计性能严重恶化的问题,论文提出了一种基于自适应聚类的安全DLMS（Adaptive-Clustering-based Secure DLMS,ACS-DLMS）算法。在所提出的ACS-DLMS算法中,节点在接收到邻居节点的非协作估计值中找到一个可靠的参考值,设计了一种以最小化瞬时MSD为目标和以参考值为基准的自适应聚类融合准则。为了使算法对错误数据注入攻击有更好的鲁棒性,提出了一种基于最小化节点本地代价函数的数据丢弃策略。仿真结果表明,ACS-DLMS算法在对抗网络中有良好的估计性能,较好地实现了安全性和估计精度的折中。为了解决自适应聚类融合策略在对抗网络中收敛速度较慢的问题,论文提出了一种基于信任机制的安全DLMS（Trust-based Secure DLMS,TS-DLMS）算法。在所提出的TS-DLMS算法中,节点利用本地非协作估计值构造阈值检测邻居节点数据是否存在异常,并设计了一种自适应阈值更新规则。同时,为了更好地跟踪节点的行为,减小虚警检测对估计性能的影响,提出了一种基于异常数据检测结果和数据偏差的信任评价机制,并依据邻居节点的信任值相应地调整融合权重。仿真结果表明,在错误数据注入攻击下TS-DLMS算法有更好的稳态估计性能,且鲁棒性较好。论文提出的两种分布式自适应扩散估计算法,有效地阻止了错误数据在网络中的传播,在存在错误数据注入攻击的对抗网络环境中有较好的应用前景。