目标定位和跟踪是无线传感器网络(Wireless Sensor Network, WSN)研究中的热门课题。在WSN监测环境中,节点能源受限,环境复杂多变,这就要求设计一个高性价比、高健壮性的WSN目标监测系统。本文基于以上问题,提出了一套有效提高定位、跟踪精度以及增强系统稳定性的方案,主要研究内容概括如下：定位的前提是测距,但基于接收信号强度指示(Received Signal Strength Indicator, RSSI)的测距方法易受节点自身或外界环境的干扰导致数据具有不确定性,且高复杂度的定位计算导致定位时间较长。基于此,本文首先提出一种基于区间聚类的WSN标准参考空间定位算法,预先在当前环境下大量采集并统计RSSI数据,然后采用滤波、区间聚类方法稳定数据,同时优选信标节点提高定位精度,最后建立RSSI-D(通信距离)标准样本参考空间,为后续定位过程做准备。本定位算法率先引入标准参考样本空间概念,将定位阶段所需通信距离的计算与修正过程前移至数据准备阶段。仿真测试结果表明,本文提出的算法简单易行,充分挖掘了数据信息,可以一定程度上提升定位精度、定位速度以及定位可信度,在实际工作也能降低能耗,对于能耗控制有一定的指导意义。其次,传统定位算法中的传播模型参数初始设定,固定不变,显然无法满足复杂多变的定位环境需求。因此,本文提出一种基于果蝇最佳演化算法(Fruit Fly Optimization Algorithm, FOA)的WSN模型参数优化定位方法,利用果蝇算法出众的参数优化能力,根据实际环境动态调整模型参数,从而提高定位精度。仿真结果表明,该理论切实可行,算法简单有效,能一定程度降低定位误差,在定位高精要求的领域具有很好的推广意义。移动目标跟踪是目标定位的进阶研究,传统跟踪方案大都基于理想运动模型,利用滤波方法(Kalman滤波)进行连续的位置估计和预测。但是现实世界中,移动目标的移动规律往往是强机动性的,无任何规律可言,称为随机游走模型。本文针对此类无序运动模型提出一种低复杂度解决方案,首先对WSN覆盖区域进行经纬平均划分,将经纬交点作为区间聚类信息统计点,然后将这些信息存入数据表以备用。简而言之,本方案将移动目标定位问题转化成序列匹配问题,有效降低了跟踪复杂度,同时为看似无头绪的随机运动目标跟踪问题提供了一种启发式解决方案。大量仿真实验结果表明,该方案在保证跟踪精度的同时具有更高的灵活性和普适性。