无源目标定位与跟踪作为无线传感器领域的热点问题,具有对不携带任何信号收发设备的目标进行定位和跟踪的特点,在军事、医疗和安全监控等领域有着十分广阔的应用前景。然而,随着研究的不断深入,无源目标定位与跟踪面临着现有定位和跟踪技术精度不高的问题。同时,轨迹跟踪技术还面临着现有算法复杂度过高的问题。这些,将严重制约着目标定位与跟踪在各领域的拓展。因此,深入研究无源目标定位与跟踪技术具有重要意义,本文以提高定位和跟踪精度为目标。本文以研究无线传感器网络领域无源目标定位和跟踪精度的提高为目标,首先研究了两种不同环境下的定位技术:室外环境中基于新型椭圆模型的射频层析成像(Ra-dio Tomographic Imaging,RTI)和室内环境中基于增强型通信频道选择的指纹定位。然后,研究了无源目标的轨迹跟踪技术:即基于接收信号强度-距离-角度权值的几何滤波轨迹跟踪。本文的贡献总结如下:(1)由于室外环境中无源目标定位精度仍有一定提升的空间,本文以对无源目标具有定位效果的RTI算法为基础,结合基于稀疏表达的正交匹配跟踪(Orthogonal Matching Pursuit,OMP)算法来获取目标的位置。首先,利用信号的视距和非视距传输方式,结合椭圆(通信链路在二维平面的投影或通信链路信号传播范围)内像素块(监控区域的划分)与椭圆焦点(传感器)的相对位置关系,将椭圆内的区域划分为不同权值的像素块。然后,首次将基于稀疏表达的OMP引入到RTI算法中对不适定问题求解。通过对稀疏度(无源目标数量)的设置,滤除其它干扰的目标估计位置,从视觉上达到一种滤波的效果。实验表明所提出的基于新型椭圆模型的RTI算法可以进一步提高无源目标定位的精度;(2)由于室内环境中无源目标定位容易受到障碍物(如墙壁、天花板和家具等)对信号传输的影响,而且定位精度仍有提升的空间。本文以受环境改变影响较小的指纹算法为基础,结合基于机器学习的逻辑回归算法来处理大量复杂的实验数据。首先,在指纹算法的离线数据训练(第一阶段)和在线数据匹配(第二阶段)中,分别选取平均接收信号强度(Received Signal Strength,RSS)最高的通信链路,并计算在该链路中两两通信频道的皮尔森系数。然后,将皮尔森系数最大的两个通信频道所收集到的实验数据用于这两个阶段。这是由于平均RSS较高的通信链路所收集到的数据,其定位结果对于环境改变的鲁棒性较强。而且,皮尔森系数较高通信频道所收集到的实验数据,也会进一步提高定位结果对环境改变的鲁棒性。最后,首次将机器学习领域的逻辑回归算法引入到无源目标定位中,来求解目标的估计位置。实验结果表明本文所提出的基于增强型通信频道选择的指纹定位算法,进一步提高了无源目标的定位精度,而且无需重新测量数据节省了大量的人力物力资源;(3)针对现有无源目标轨迹跟踪技术精度不高且计算复杂度过高的问题,本文以对计算复杂度可以有效降低的几何滤波算法为基础,结合提出的接收信号强度-距离-角度权值估算出目标的位置。首先,通过设置接收信号强度改变的阈值,以及通信链路交点与无源目标上一个估计位置的关系,滤除远离目标真实位置的通信链路的交点,降低计算复杂度。将通信链路中接收信号强度的改变作为其交点的权值,以便于对通信链路的交点进行区分。然后,根据通信链路交点与目标上一个估计位置的关系,提出了一种新型距离权值。这样,距离目标上一个估计位置越近的交点将被分配更高的权值,有助于对交点进一步区分。最后,根据通信链路交点与无源目标上一个估计位置之间的角度关系,将交点最多的方向作为目标的运动方向,提出了一种新型角度权值。实验表明本文所提出的基于接收信号强度-距离-角度权值的几何滤波轨迹跟踪算法,进一步提高了无源目标的轨迹跟踪精度。