自适应滤波器问题的研究，是现在信号处理、信号分析等领域比较前沿的课题之一。随着数字信号处理理论和多媒体技术的快速发展，通常在信号的处理和应用过程当中，我们所要进行处理和运算的数据内容和容量逐渐变大，数据处理的过程中对于实时性和精确程度的要求也变得越来越高。自适应滤波器设计的基本思想，是利用前一时刻的结果自动的调节当前滤波器的系数，使滤波器适应未知信号和噪声的统计特性，以期达到最优的输出，自适应滤波器的作用对象一般为不确定的信息过程或系统。由于自适应滤波器有较强的跟踪、学习能力，自上世纪六十年代发展以来，越来越广泛的应用于数字信号（语音、图像）处理、系统辨识、线性预测、自适应均衡、干扰及噪声消除等众多领域；　　自适应滤波算法主要有最小均方（LMS）算法，递推最小二乘（RLS）算法，以及随着该领域研究热度加深而出现的一些改进算法，主要有归一化最小均方（NLMS）算法、变步长（SVSLMS）算法及格型滤波器等。不同的滤波算法适用于不同的场合，他们各有特点和优势。在研究自适应滤波器的过程中，自适应滤波器的性能是研究的重点内容，它直接关系到输出结果的优劣。最小均方（LMS）算法因其计算量小、稳定性好、易于实现等优点而被广泛应用，但传统LMS算法存在一个很大的缺陷，就是LMS算法的收敛速度慢的问题。本文通过对各种自适应滤波算法的研究，在传统LMS算法的基础上提出一种新的基于误差信号e(n)和输入信号x(n)的互相关函数估值ACC(n)的变步长LMS算法，该算法的不同之处在于：在算法的不同阶段会以不同的自适应迭代步长进行迭代运算，而且由于步长因子利用e(n)与x(n)的互相关函数估值来控制，不仅加快了算法收敛的速度，而且极大地消除了由于输入信号与误差信号之间所存在的相关性对于滤波器稳态失调的影响。仿真结果表明，本文的改进算法在达到快速收敛的同时，也获得了较好的稳态失调特性，而且对噪声有很好的抗干扰能力，相较于传统的变步长LMS算法及一些改进算法，拥有更加优异的性能。