随着传感器信号处理芯片的集成化、微型化、通信技术及信号处理技术的快速发展,网络上的分布式信息处理受到了越来越广泛的关注。在实际应用中,网络上的分布式处理依赖于网络内各节点的自身局部计算以及与相邻节点之间的协作,从而实现完全去中心化的分布式信息处理。当节点追求单一目标时,即单任务估计问题,合作是有益的。然而,在许多应用中,节点可能追求不同目标,即多任务估计问题,在这种情况下,盲目的合作将会导致不理想的估计结果。因此,本文研究网路上分布式多任务自适应估计算法的问题。针对该问题,本文不仅考虑了不同任务之间可能存在相似性的情况而且考虑了任务可能发生变化的情况。在当前的分布式估计算法研究中,网络中信息交换的策略主要分为三种:增量策略、一致策略及扩散策略,其中扩散策略相比其他两种策略来说,鲁棒性更强、灵活性更好,尤其是在在大规模网络上的自适应更新更实时实现。本文针对网络上的自适应估计问题,研究了分布式多任务扩散估计算法及其在自适应聚类和信息安全问题中的应用。具体地,针对分布式自适应聚类问题,本文考虑了任务之间相互独立以及任务可能受到干扰发生改变或异常的情况,提出了基于最大熵准则的分布式自适应扩散估计算法和基于事件触发的分布式自适应扩散估计算法。此外,本文基于正常任务自适应和相同任务聚类的策略推导出了一种分布式自适应聚类的框架,从而使网络节点识别它们的集群并做出有效的合作策略。仿真实验表明,该算法在高斯噪声和脉冲噪声混合干扰的情况下有良好的性能表现。本文还优化了集群内协作权重选择方案,该方案允许网络节点本地优化其集群内协作权重。仿真实验表明,与使用文献中各种其他常用方法选择的权重相比,本文的方法可得到更好的性能。此外,针对信息安全问题,本文考虑了任务之间可能存在相似性以及对网络处于敌对环境的情况,提出了一种基于攻击检测的分布式多任务信息共享算法。在算法中,设计一种分布式自适应检测器,即通过任务间相似性构建阈值测试以检测每个节点的信任邻居;再基于检测到的信任邻居进行信息共享,导出了多任务扩散最小均方(SM-DLMS)算法。我们还从理论上分析了所提出SM-DLMS算法的稳定性能。仿真实验也表明了该算法在网络攻击下的鲁棒性和有效性。