随着移动终端的日益普及、无线网络业务的多样化,无线电传播环境变得越来越复杂。这使干扰信号的定位遇到了多源与多径的巨大考验。如何能够在存在多个信号源,并且信号的传输很可能经过了多径时延的叠加后环境中精确定位成为了现今无线定位技术的一大难题。而与此同时,国家无线电监测网络的日趋完善与成熟又为信号检测与定位带来了新的方法与途径。借助数据采集技术的进步以及采样率的提高,巨大的数据红利能够为无线电监管的各种应用场景带来新的活力。鉴于此,本文的研究重点就是探究如何能够高效地将监测网络能够获得的大量数据与信号定位技术突破相结合。传统的时差定位技术一般都会限制于局部的相邻几个接收节点采用最大似然估计得到信号源位置的估计。该方法对于多径、多源的电磁环境抵抗性较差,矩阵运算也容易出现奇异化的结果。而利用高密度的接收数据,从数据挖掘的角度依据接收信息的统计特性则能够给出具有较好鲁棒性的定位结果。本文主要贡献包括以下两个方面：第一,首先提出了分组TDOA的决策思路。本文首先针对传统TDOA的方法进行横向地延展。即利用分组的接收点分别运用传统方法进行定位,再融合各个组合定位的结果进行决策,成功地将原有方程组估计问题转化为一个数据驱动的定位决策模型。第二,通过引入数据挖掘的概念以及与本场景紧密相通的聚类模型与算法,为该模型提出了不同的算法。并且利用计算机仿真,在给定的多源多径定位场景上进行了不同算法的仿真与试验。其中,经过仿真测试,基于图像的聚类算法DBSCAN在本场景中能够较好适配多源定位的场景约束。与最小二乘的TDOA相结合后,能够获得较好的定位效果。取得了能够匹敌最简单的单源直视径场景下的定位精度,并且具有较高的鲁棒性。本文在此基础上,利用线段树的数据结构对DBSCAN算法进行了改进,降低了算法的时间复杂度。最后,对全文进行了概括总结,同时根据实现情况和本领域技术发展的情况,对后续研究内容以及未来的改进方向进行了展望。