在汽车自动驾驶、实时跟踪、目标监测等各种领域的应用中,无线定位一直是重要的研究课题,受到广泛的关注。根据定位目标状态的不同,无线定位大致可分为静态目标定位和动态目标定位两大方面。目前主流的静态目标定位方法包括多边定位法和基于子空间的定位法,其根本思想是通过定位信号获取节点之间的位置参数,如距离、接收信号强度（Received Signal Strength,RSS）、到达角度等信息,再利用凸优化、最小二乘法以及梯度下降等优化技术,完成对目标的精准定位。其中,接收信号强度因其实现方便、复杂度低而得到广泛应用。与静态目标定位方法相比,动态目标因其自身的移动特性极大地增加了定位的难度,尤其是在实时性需求方面。这就要求算法必须能在较短的时间内确定目标的位置参数。目前,国内外学者研究出许多高效的信息融合技术（如卡尔曼滤波器、粒子滤波器、多模交互等）来解决动点定位问题,这些技术最大的特点就是能够快速地将多种位置信息进行融合,从而获取目标位置。现有的静态和动态目标定位研究大多依赖于远场和视距条件,但在实际场景中目标未必处于阵列的远场区域,且目标之间的视距链路不一定存在。当目标处于阵列的近场区域且缺少视距链路时,传统定位算法的性能可能会下降甚至失效。因此,如何在近场且视距链路缺失条件下实现对目标的精准定位是亟待解决的问题。近两年来,可重构智能表面作为一种新兴的技术受到了无线通信领域的广泛关注,其突出优势是能够控制表面上每个元素的幅度和相位来独立地反射入射信号。当节点之间的视距链路被障碍物严重阻塞时,可重构智能表面可以在节点之间创建虚拟视距链路使信号绕过障碍物,从而有效解决由视距链路缺失而造成的定位性能下降的问题。本文正是借助可重构智能表面的上述优势,结合加权最小二乘法、交替迭代以及扩展卡尔曼滤波器等技术,解决视距链路缺失场景下的位置参数估计问题。主要贡献如下:（1）针对锚节点和未知节点之间没有视距链路的情况,本文提出了一种基于可重构智能表面辅助的近场RSS定位算法。具体来说,利用可重构智能表面能够将信号聚焦于一个预定方向的特性,构造锚节点与未知节点之间的虚拟视距链路,克服了由于缺乏视距链路而导致定位算法性能显著下降的问题。此外,本文进一步讨论了在视距链路和虚拟视距链路共存场景下的近场定位问题,并提出可重构智能表面参数调整方案用以实现高精度的定位。仿真结果验证了算法的有效性。（2）针对现有定位算法复杂度较高的情况,本文利用可重构智能表面元素反射信号的相长干涉特性和RSS最大原理,将原多维搜索问题转化为一维方位角搜索问题,有效降低了搜索的维数,减少了计算复杂度。算法仅通过方位角搜索,即可同时解决未知节点定位和可重构智能表面的参数优化问题。在此基础上,为了进一步提高定位精度,本文推导了远近场判别算法来降低由远场假设失效而导致的不利影响。仿真实验结果表明远近场判别算法能够进一步提高定位精度。（3）针对可重构智能表面辅助的车辆定位问题,本文利用车辆位置预测结果调整可重构智能表面元素相位,从而获取包含位置信息的数据,有效提升了在缺乏视距链路条件下的车辆定位精度。为了解决观测方程的非线性化问题,本文通过扩展卡尔曼滤波器将非线性观测系统线性化,完成对目标位置信息的融合,实现对车辆的动态定位。仿真实验证明了算法的性能。