大规模无线传感器网络（Wireless Sensor Network,WSN）往往由成百上千个传感器节点组成,它被广泛应用于野生动物监测、智能交通控制、重点区域入侵目标检测等场景中,其中目标定位与跟踪是需要研究的关键性问题。大规模WSN中的节点往往采用随机抛洒的方式进行部署,在所有节点上携带定位装置成本高、能耗大,而节点的位置信息是实现目标定位和跟踪的基础;在目标进入监控区域后,由于传感器节点部署密集、覆盖存在重叠,唤醒过多的节点执行跟踪任务将导致感知信息冗余、能耗增大等问题,唤醒少量或者固定节点执行跟踪任务则影响跟踪精度,且节点能耗不均衡。因此,本文针对大规模WSN场景下,目标定位与跟踪所涉及的传感器节点自主定位、目标定位与节点协同跟踪问题开展了如下研究:（1）针对大规模WSN中仅存在少量具备定位能力的锚节点的场景,提出了一种综合改进的分布式协作节点定位算法。通过对传统DV-Hop（Distance Vector Hop）定位算法各阶段的定位误差来源进行分析,引入RSSI跳数量化、锚节点筛选和协作、差分进化算法等机制对原始算法的不同阶段进行优化计算。仿真表明,在锚节点比例仅为5%的条件下,改进算法的定位精度比原始算法和文献[44]改进算法提升了57%和38%,且在大规模WSN中优势更加明显。（2）针对大规模同构WSN,提出了一种基于动态簇改进的目标定位与分布式节点协同跟踪算法。邻居节点间通过局部协作形成跟踪簇对目标进行跟踪,簇内唤醒节点的监控范围、数量、感知周期均可根据目标状态自适应调整,以平衡跟踪精度与能耗;此外,还设计了一种基于无迹卡尔曼滤波的两阶段目标状态估计算法,以提升目标定位及非线性跟踪系统的精度。仿真表明,在相同场景下,该算法比传统动态簇跟踪算法的跟踪误差降低了59%,能耗仅增加了7%,且该算法可以有效减少目标跟丢次数,在目标丢失后能以更低的系统开销恢复跟踪。（3）针对大规模异构WSN,考虑到异构节点之间无法直接通信、感知能力存在差异等特点,提出了一种基于多智能体协作的集中式目标跟踪和节点调度算法。汇聚节点所充当的智能体之间通过共享价值函数,并结合邻居信息来实施协作调度,从而使得跟踪调度决策达到全局最优。仿真表明,在相同场景下,相比于传统贪心算法以及单智能体算法,该算法的跟踪精度分别提高了68%和36%,系统能耗分别降低了13%和15%,且算法的跟踪稳定性更好。