自适应过程是一个不断逼近目标的过程。它所遵循的途径以数学模型表示，称为自适应算法。通常采用基于梯度的算法，其中最小均方误差算法（即LMS算法）尤为常用。自适应算法可以用硬件(处理电路)或软件（程序控制）两种办法实现。前者依据算法的数学模型设计电路，后者则将算法的数学模型编制成程序并用计算机实现。算法有很多种，它的选择很重要，它决定处理系统的性能质量和可行性。
自适应均衡器的原理就是按照某种准则和算法对其系数进行调整最终使自适应均衡器的代价(目标)函数最小化，达到最佳均衡的目的。而各种调整系数的算法就称为自适应算法，自适应算法是根据某个最优准则来设计的。最常用的自适应算法有迫零算法，最陡下降算法，LMS算法，RLS算法以及各种盲均衡算法等。在理论上证明了对于任何统计特性的噪声干扰,VLMS算法优于LMS算法。
自适应算法所采用的最优准则有最小均方误差(LMS)准则，最小二乘(LS)准则、最大信噪比准则和统计检测准则等，其中最小均方误差(LMS)准则和最小二乘(LS)准则是目前最为流行的自适应算法准则。由此可见LMS算法和RLS算法由于采用的最优准则不同，因此这两种算法在性能，复杂度等方面均有许多差别。
最小均方算法（Least Mean Square, LMS）是一种简单、应用为广泛的自适应滤波算法， 是在维纳滤波理论上运用速下降法后的优化延伸，早是由 Widrow 和 Hoff 提出来的。 该算法不需要已知输入信号和期望信号的统计特征，“当前时刻”的权系数是通过“上一 时刻”权系数再加上一个负均方误差梯度的比例项求得。这种算法也被称为 Widrow-Hoff LMS 算法，在自适应滤波器中得到广泛应用， 其具有原理简单、参数少、收敛速度较快而且易于实现等优点。
随着机器学习的发展，人工智能（AI）将会越发智能化，这将为人类学习带来不可想象的冲击或者颠覆。（机器学习(Machine Learning, ML)一 门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。）互联网学习参数的数据量是极其巨大的，而且随着时间的 积累数据还在激增的以后；机器学习有可能在解决大数据处理方面有极大帮助，可能会大大节省时间和人力成本。同时，机器学习通过用数据或以往的经验，以此优 化计算机程序的性能标准或者算法。这在人类学习中，或者说是人们网络学习中，系统平台基于机器学习技术，通过分析和记录学习者的数据，学习获得规律和算法，提供智能的个性化推荐和指导被会有极大优越性。比较机器学习而言，自适应学习仅仅是通过数据的处理、固定的算法，实现半智能的个性化学习指导。
