随着低功耗无线通信技术的发展以及传感器、处理器等硬件的微型化,无线传感器网络(WSN,Wireless Sensor Network)已成为当今热点研究领域。在规模庞大的无线传感器网络中,每个节点都要传输自身的测量数据,这将会出现大量的冗余数据。而网络中数据传输消耗的能量远大于处理数据消耗的能量,因此,在数据传输之前进行数据融合操作是非常必要的。数据融合技术通过有效的算法,不仅可以降低网络中能量的消耗,延长传感器节点的生命周期,而且可以提高数据收集效率,获得更准确的信息,所以数据融合技术研究引起了业内研究人员的广泛关注。本文研究重点是在基于LMS的分布式数据融合算法。首先,本文简要概述了无线传感器网络所面对的问题和挑战,以及数据融合技术在无线传感器网络中的应用和国内外发展现状,并给出了自适应LMS算法的推导过程和算法性能的评价指标,为后续章节奠定了理论基础。其次,介绍了无线传感器网络中的协作模式,并对比分析了数据融合的两类算法——集中式算法和分布式算法。在分布式算法的基础上,针对无线传感器网络中数据运算量大及传输速率受限问题,提出了改进的分布式扩散符号LMS算法,实现对误差和估计信号的量化,以减少多节点无线传感器网络的运算量和通信量。通过仿真验证了算法的正确性,同时与其它算法进行了性能比较,特别对于BPSK信号,相较于传统的扩散LMS算法,性能更为优良。最后,在处于非安全环境中的无线传感器网络,存在恶意节点篡改信号数据,影响参数估计的问题,提出了基于信誉机制的分布式扩散LMS (R-dLMS)算法和扩散归一化LMS (R-dNLMS)算法,该算法能够根据各节点对整个网络的贡献来分配相应的信誉值,使恶意节点的信誉值最小,非恶意节点的信誉值相对较大,从而减小恶意节点对网络攻击的影响。通过仿真验证了算法的有效性和优越性,与无信誉值时的算法相比,该算法能大幅度提高算法性能,并且R-dNLMS算法在R-dLMS算法的基础上,算法性能又得到了进一步的提升。