自适应滤波器是一种功能非常强大的滤波器,是统计信号处理中的一个重要组成部分。它能根据某种准则的需要,进行参数自动调节,最终使滤波效果达到最佳。自适应滤波算法可分为线性算法和非线性算法两种。前者最典型的代表为LMS算法,而后者包含的算法非常丰富,例如LMF算法、LMP算法以及LMMN算法等。LMS算法在高斯噪声环境下的跟踪性能较好,而LMP算法在均匀分布噪声条件下的跟踪性能较好。本文在文献中已有研究的基础上,将LMS算法和LMP算法相结合,得出LMS和LMP混合算法,并对其稳态性能和跟踪性能进行理论分析和仿真研究。本文首先介绍了自适应滤波器的基本原理,着重讨论了自适应滤波器的结构以及典型的自适应滤波算法,并将LMS算法和LMP算法相结合得出LMS和LMP混合算法。混合算法融合了LMS算法和LMP算法各自的优点,在高斯噪声环境和均匀分布环境下均有较好的跟踪性能。其次,在平稳输入条件下推导出LMS和LMP混合算法的稳态均方误差表达式,并给出其步长应该满足的条件。在非平稳输入条件下推导出LMS和LMP混合算法的稳态跟踪均方误差表达式,并得出其最优步长的表达式。随后,在高斯噪声条件下对LMS和LMP混合算法稳态EMSE的步长最大值进行了仿真,还分别在高斯噪声、均匀分布噪声条件下,对LMS和LMP混合算法在平稳输入条件下的稳态性能和非平稳输入条件下的跟踪性能进行了仿真。最后,将LMS和LMP混合算法分别与LMS算法和LMP算法进行了跟踪性能的比较。