近年来随着物联网技术的发展,无线传感器网络在众多领域都得到了广泛应用,如边界监视、目标监测和环境监测等,这些应用大都会涉及到分布式参数估计的问题。在网络系统中,每个节点相当于一个自主体,它具有感知、计算、存储和通信能力,多自主体之间可以通过信息交互的方式来共同对未知参数进行估计,而在实际的网络环境中往往存在各种不确定因素的干扰,如量测噪声和通信噪声等,网络中的噪声会使得对未知参数的估计产生偏差,因此,研究基于带噪声网络的分布式参数估计算法对于实现高效信息处理具有重要意义。本文利用鞅收敛理论、代数图论和随机时变系统理论等工具分析了带通信噪声的基于趋同和新息的分布式参数估计算法的收敛性,主要成果包括以下两个方面。1.本文设计了带通信噪声的基于趋同和新息的分布式参数估计算法。在每个时刻,每个节点通过自身的量测以及和邻居节点之间的交互来迭代更新它的估计。进一步,本文使用随机时变观测矩阵序列来刻画每个节点对未知参数的观测,通过随机有向图序列对节点之间带噪声的通信网络进行建模,且随机时变观测矩阵、随机有向图序列以及随机噪声序列各自均可以是时空依赖的,前两者之间也可以相互依赖且不需要满足特殊的统计性质。在噪声与观测矩阵和随机图序列同时保持独立的假设下,本文给出了分布式参数估计算法实现均方收敛的充分条件。证明了若网络图序列条件平衡,且观测矩阵和网络图序列满足随机时空持续激励条件,则存在合适的算法增益来保证所有节点的估计均方收敛到参数真值。2.在均方收敛的基础上,本文进一步研究了分布式参数估计算法的几乎必然收敛性。在观测矩阵和网络图序列的样本轨道几乎必然有界的假设下,证明了若网络图序列条件平衡,且观测矩阵和网络图序列满足随机时空持续激励条件,则存在合适的算法增益来保证所有节点的估计几乎必然收敛到参数真值。特别地,本文还将上述结果应用于具有马尔可夫切换的拓扑图和观测矩阵序列,证明了若平稳图平衡且含一棵生成树,并且量测系统时空联合能观,那么随机时空持续激励条件成立,即能同时实现均方收敛和几乎必然收敛,这意味着算法收敛不要求每个节点局部能观,也不要求量测系统在每个时刻全局能观。