作为一种全新的信息获取和信息处理技术,无线传感器网络(WSNs)被认为是21世纪最重要的技术之一,在国防建设、环境监测、医疗卫生、物件追踪、空间探索等众多领域都有着广泛的应用。目标跟踪作为WSNs的主要应用领域,现有的目标跟踪方法均要求节点的先验知识,但是这些先验知识往往不易精确获得,而基于GPS的定位方式具有代价高且不能室内应用等缺点。因此,近年来无线传感器网络中的同时节点定位与跟踪(Simultaneous Localization and Tracking,SLAT)问题引起研究者们的极大关注。本文较为全面的讨论和研究了集中式数据融合和分布式数据融合下的同时定位与跟踪问题,并且针对分布式数据融合的同时定位与跟踪算法,在原有的研究基础上提出了新的融合算法,并进行了相关仿真实验。本文首先介绍了无线传感器网络中定位与跟踪的相关经典滤波算法。结合近年来无线定位跟踪技术的研究热点,重点分析了在集中式结构下基于单模型无迹卡尔曼滤波算法(UKF),基于扩展卡尔曼滤波器的交互式多模型算法(IMM-EKF)和基于无迹卡尔曼滤波器的交互式多模型算法(IMM-UKF),并对比分析了各种算法在目标为机动情景与非机动情景下的优缺点,实验结果证明基于无迹卡尔曼滤波的交互式多模型算法有更高的定位与跟踪精度,同时具有较强的鲁棒性。针对无线传感器网络中基于分布式数据融合的同时节点定位与跟踪问题,本文提出了一种在底层采用基于无迹卡尔曼滤波(UKF)的交互式多模型(IMM);而融合中心层采用内椭球逼近融合(IEAF)的分布式融合算法。通过Monte Carlo仿真表明该算法的有效性:所提出的内椭球融合逼近法比传统协方差交叉法(CI)具有更好的融合性能,对机动目标的跟踪精度提高了33.56%,并且能在跟踪目标的同时得到较精确的节点位置估计。在文章的最后,对本文所涉及的同时定位与跟踪问题做了系统的总结,并且对后续同时定位与跟踪技术研究的方向进行展望。