1.一种噪声驱动的稳健序贯自适应估计方法，其特征在于，包括以下步骤：步骤1：初始化参数：记录含有异常值的样本观测数据x＝{x_1，x_2，…，x_N}及其长度N；

步骤2：建立数据线性模型；

步骤3：确定得分函数

步骤4：对参数θ进行自适应序贯估计，使其随着数据的到达估计量逐步迭代更新，得到n时刻的参数估计值步骤5：计算n时刻的参数估计值与真实值之间的平均误差，即该估计量的均方误差；

步骤6：利用自适应优化算法，优化噪声参数，得到最优噪声参数下的最小均方误差；

步骤2中，线性模型如公式(1)所示：其中，ωn是概率密度函数为fω的重尾分布的背景噪声；hn为观测模型系数向量；θ为设定预估参考参数；

步骤3中，具体包括如下步骤：

步骤3.1：确定背景噪声ωn的分布类型；

步骤3.2：选择有界的得分函数ψ(x)对应的M‑估计量；

步骤3.3：引入噪声强度为ση的噪声η，将其概率密度函数fη(x)与M估计得分函数ψ(x)进行卷积；得到新的得分函数 如公式(2)所示：其中，η为注入的随机噪声变量；Eη[]是关于随机变量η的数学期望；

步骤4中，参数估计值 的表达式如公式(3)所示：其中，K[n]为增益矩阵，其表达式如下： en为预测误差，其表达式如下： ∑为协方差矩阵，其更新规则为步骤5中，均方误差的表达式如公式(4)所示：

2.根据权利要求1所述的噪声驱动的稳健序贯自适应估计方法，其特征在于，得分函数ψ(x)为有界函数，且其界值s满足对重尾噪声的稳健性约束。

3.根据权利要求1所述的噪声驱动的稳健序贯自适应估计方法，其特征在于，背景噪声ωn服从柯西分布或对称alpha稳定分布，注入噪声η具有对称分布，其分布参数通过离线估计或在线自适应调整。