随着信息时代的快速发展,人工智能已经在逐渐普及到人们的日常生活中,给人们的日常生活带来了极大的便捷的同时,也提高了人们的生活质量。信息时代的快速发展与传感器的发展有着密不可分的关系。与以往的传感器相比,现在的传感器具有体积小、精度高、功耗低、价格低、通信能力强等一系列的优点,为现代的人工智能奠定了强有力的基础。由一系列传感器构成的无线传感器网络(WSNs)已经被广泛应用。无线传感器网络往往被用于探测人们感兴趣的某一未知参数,即参数估计。本文采用具有分布式扩散策略的无线传感器网络去估计某一未知参数。分布式扩散策略是网络中每个传感器节点和其邻居节点合作去估计未知参数。在无线传感器网络中,节点通常工作在安全的网络环境中。但是当出现攻击者时,会使网络处于对抗网络环境下,网络最后估计的参数会发生较大偏移,即估计到错误的参数。因此,本文致力于研究分布式网络处于对抗网络环境中如何估计到正确的未知参数。本文首先研究了无线传感器网络外部受到攻击,即受到信道攻击时,网络受到的影响。结合数据选择策略,本文提出了分布式数据选择扩散最小均方算法(DLMS)。该算法既可以检测异常数据,还可以选择具有足够创新的更新数据。为了使该算法在面对信道攻击时具有更好的鲁棒性,本文基于数据选择的特性设计了具有信誉权重的分布式数据选择DLMS算法。本文对所提算法进行均值和均方性能上的理论分析,然后通过仿真实例去验证所提算法的鲁棒性。通过仿真可以得到分布式数据选择DLMS算法明显优于其他数据选择算法。并且当无线传感器处于对抗网络环境时,具有信誉权重的分布式数据选择DLMS表现出了强有力的鲁棒性。然后本文研究了无线传感器网络内部受到攻击,即受到错误数据注入(FDI)攻击时,网络模型参数发生的变化。本文基于Kullback-Leibler(KL)散度提出了具有KL散度的分布式DLMSKL算法。该算法检测到受到FDI攻击的节点后,本文提出了三种不同的策略去削弱FDI攻击的影响。本文首先分析了安全环境中的DLMS的均值和均方性能。基于安全环境的数学分析,本文分别分析了不同策略的DLMSKL算法的均值和均方性能。同时本文分析了检测受损节点时使用的阈值设计策略的合理性。最后,通过仿真实例去验证所提算法的鲁棒性。通过实验结果可以得到所提算法在抵抗FDI攻击时都具有一定的鲁棒性,其中去除受损节点的方法是最具有鲁棒性的。并且当无线传感器处于对抗网络环境时,具有去除受损节点的分布式DLMSKL算法明显优于其他文献的算法。