传感器网络由部署在监视区域中空间独立分布的大量微型传感器节点构成,用以实时监控、感知和采集作用区域内的环境或目标状态,例如温度,湿度,振动,压力或运动等。由于节点的能量,传感范围,通信和计算能力有限,分布式算法表现出优于集中式算法的优越性能。在分布式的多种策略中,扩散策略以其简单,灵活,稳定等特点受到了广泛关注。在以往的研究中,传感器网络中的大多数分布式算法假设传感器节点感测的信息是无损的。随着部署的传感器网络规模的增长,数据收集受到硬件和无线条件的干扰,通常会导致原始数据产生严重的数据缺失。本文首先简要介绍了采用扩散策略的最小均方算法(LMS)及其推导过程。然而,LMS算法通常用于估计常数参数而不是动态模型,后者无论是军事还是民用上也是传感器网络的重要研究领域,如目标跟踪等问题。在时变模型中,卡尔曼滤波算法是自20世纪60年代提出以来最流行的递归算法之一。本文在前人的基础上探究了使用扩散策略的分布式卡尔曼滤波算法(DKF),其技术挑战是如何将成熟的中心式(或传统)卡尔曼滤波方法迁移到复杂的大型动态网络系统内分布式测量和估计。卡尔曼滤波算法的另一个优点是从不完整的或存在噪声干扰的测量中估计动态系统的状态。但由于传感器网络独特的数据丢失模式,卡尔曼滤波算法并不能直接用于改进丢失数据的状态估计。针对上述所说的情况,本文提出了一种改进的插值分布式卡尔曼滤波(IDKF)算法来跟踪随机丢失数据的对象。我们的算法采用了扩散策略,通过使用卡尔曼滤波器的最后估计结果来替换和重建缺失的数据,在系统是时变模型时,状态估计将更加快速和精准。当噪声是高斯白噪声时,检测过程可以识别丢失数据的节点,并且在DKF的第一步中比通常的策略执行得更好。我们的仿真实例表明,该算法可以处理数据缺失问题,提高传感器网络状态估计的准确性。早期的传感器网络分布式估计算法大多是单任务估计问题,即整个网络的传感器节点共同估计一个确定的未知参数向量。本文将问题扩展到多任务估计中,即网络中不同的节点估计不同的状态参数。我们将单任务和多任务问题统一归纳为分簇多任务,即网络中的节点先分簇,不同簇的节点待估计的状态参数不同,同一个簇中的节点仍然估计相同的参数。基于任务之间的相关性,结合上述插值分布式卡尔曼滤波算法,本文提出了数据缺失情况下多任务卡尔曼估计算法。该算法能够有效地适应多任务网络并且在部分数据随机缺失的条件下提高网络的估计精度。