电子信息、无线通信、微处理器等技术的快速发展,推动了无线传感网络的普及和应用,其相关理论和应用研究受到人们的广泛关注。无线传感器网络由多个具备一定通信、存储和数据处理能力的传感节点组成。这些节点与中心处理器或其它节点以一定的协作方式收集和处理数据,获得对传感器网络周围环境信息的提取、感知和分析。参数估计是无线传感网络中非常重要的一个研究问题。它利用传感器采集到的数据实现对相关未知物理量的估计,在环境监测、室内定位、目标跟踪、自然灾害预测等领域有着广泛的应用。一般情况下,数据传输需要消耗较多的能量和通信带宽。但在传感器网络中,每个节点体积小、能量存储有限,不可能进行高复杂、高耗能的数据处理和传输。现有的一部分参数估计算法虽然具有较好的估计性能,但却没有考虑到节点存在的这些限制因素,一定程度上加大了节点负载,造成节点工作周期缩短。因此,如何更好地利用有限的资源,延长无线节点的生命周期,是传感器网络实际应用中遇到的一个挑战。压缩节点采样信号的冗余、降低节点传输的比特,这是能够有效克服这一问题的方法之一。根据这一思想,许多1比特量化算法被提出,如1比特线性回归、1比特系统辨识。这些算法可以较好地降低节点负载,但部分算法在性能上还存在一些不足,如估计速度慢、估计精度下降。因此,本论文研究利用无线传感网络节点的低比特量化数据来降低节点负载,延长节点工作周期,并保证参数估计算法具有较好的估计性能。在分布式参数估计的基础上,论文首先研究了1种1比特量化算法,该算法将测量数据量化为1比特数据,并考虑极大似然估计问题。由于似然估计中包含了测量数据这一隐含变量,因此算法结合了EM框架来解决这一问题,并采用LMS与RLS两种自适应算法进行参数更新。该1比特量化算法在仿真分析中达到了较高的估计精度,也能够降低节点负载,但是收敛速度较慢。为此,我们考虑一种低比特量化改进算法。该算法增加了量化比特数,按照特定的量化规则将测量值量化为不同比特,并考虑极大似然估计问题。我们同样采用EM框架和相关引理解决包含隐含变量的似然估计,从量化值中恢复出近似测量值,最后分别得到了采用LMS和RLS的低比特量化算法实现。论文对该低比特算法进行了大量的仿真实验,并对仿真结果进行了对比分析。这些实验和分析结果验证了算法的有效性,并表明该算法能够较好地平衡估计性能和节点负载之间的关系。