在ADC采样滤波中，常用的十大算法及其简要原理和应用如下：

1. 滑动平均滤波
   取连续多个采样值的算术平均，抑制高频噪声，适合平稳信号，计算简单。

2. 中值滤波
   取采样序列的中间值，有效消除脉冲干扰，适用于信号存在突变的场景。

3. 一阶低通滤波（RC滤波）
   通过数字化的RC低通模型，滤除高频噪声，适合缓变信号（如温度采集）。

4. 卡尔曼滤波
   基于状态空间模型的最优估计算法，动态修正噪声和系统误差，适用于实时性要求高的场景。

5. 加权递推平均滤波
   对不同时刻的采样值赋予不同权重，强调近期数据，适用于信号渐变的情况。

6. 限幅滤波（幅值判别法）
   通过设定相邻采样值的最大允许差值，直接剔除异常跳变点，适合数据稳定性较高的场景。

7. 限幅平均滤波
   结合限幅和平均滤波，先剔除异常值再计算均值，兼顾抗干扰和平滑效果。

8. 递推中值滤波
   动态维护滑动窗口内的中值，实时更新输出，适用于动态变化的信号。

9. FIR滤波器（有限长冲激响应）
   通过线性相位设计，精确控制通带/阻带频率，适合频域特征明确的信号。

10. IIR滤波器（无限长冲激响应）
    递归结构实现高阶滤波，资源占用少，但需注意相位失真问题，适合实时处理。

扩展场景建议：

• 资源受限系统（如单片机）：优先选择滑动平均、限幅滤波等低计算量算法。
• 高频噪声环境：使用低通滤波或FIR/IIR进行频域滤除。
• 动态信号跟踪：卡尔曼滤波或加权递推滤波可自适应调整参数。
• 抗脉冲干扰：中值滤波或限幅类算法效果显著。

这些方法可单独或组合使用（如先限幅再低通滤波），根据具体噪声类型和系统需求选择。