自适应滤波技术在回声消除、信道均衡、系统辨识、信号增强、自适应波束形成、噪声消除以及主动噪声控等领域具有广泛的应用。在一些应用中,由于受到系统内在的物理特性的限制,在进行系统辨识时,需要对待估计的未知系统系数的最优值添加非负性约束条件。非负性约束条件下的最优化问题在理论和工程实践中经常涉及,是目前的研究热点之一,例如非负最小二乘、非负矩阵分解等理论及其在天体物理图像去模糊、计量化学光谱发散反卷积、高光谱图像分析等问题中的应用。传统的最小二乘法需要进行批处理,因此不适合用来在线处理非负性约束条件下的系统辨识问题。为了解决非负约束下的系统识别问题,Chen等人基于定点迭代策略和随机梯度法,提出了非负最小均方算法(NNLMS),并分析了该算法的权值和二阶矩性能。由于非负最小均方算法是迭代进行系统辨识的,因而该算法适用于实时系统识别问题。尽管NNLMS算法实现简单且其计算复杂度较低,但当系统干扰不是高斯白噪声时,如余弦噪声、均与分布噪声以及二值分布噪声,其收敛速度较慢。本文首先以估计误差四次方的期望值作为代价函数,然后基于定点迭代策略推导出了非负最小四阶矩算法。实验结果表明,当系统干扰是大功率的余弦噪声、均匀分布噪声或二值分布噪声时,它比非负最小均方算法具有更优的性能。其次本文还分析了该自适应算法的权值性能以及均方误差性能。最后,本文还提出了一种非负最小对数绝对误差(NNLLAD)算法。实验结果表明,在系统输出端叠加干扰是脉冲噪声时,该算法比已有的符号非负最小均方算法具有更优的性能。