分布式网络是由一系列具有自处理和学习能力的节点组成的集合，这些节点通过一个拓扑结构进行连接，并通过局部交互来解决分布式估计问题。基于分布式网络的分布式估计，其目的就是通过每个节点的含噪观察数据来估计某个感兴趣的未知参数向量。不同的分布式算法具有不同的收敛速度、稳态失调以及鲁棒性。为了提高在脉冲噪声环境中算法的收敛特性和鲁棒性，本文提出了两种扩散式符号算法，即增强协作的扩散式符号子带自适应算法和强鲁棒性的扩散式仿射投影符号算法。增强协作的扩散式符号子带算法在节点间同时交换权值信息和测量信息，强鲁棒性的扩散式仿射投影符号算法求解最小化误差向量的L1-L2范数联合函数问题，这两种改进算法都可以提高收敛特性。为了解决当待估计向量是稀疏向量时算法收敛性能变差的问题，本文提出了两种比例自适应算法，即增强协作的扩散式比例符号子带自适应算法和扩散式仿射投影比例算法，成比例地调节权值向量的方法使得算法收敛性能更好。此外，为了同时兼顾快的收敛速率和稳态失调，本文还提出了一种在高斯白噪声环境下的变参数的扩散式仿射投影算法。