随着无线传感器技术的发展,无线传感器网络(Wireless Sensor Networks,WSN)渗透到人们工作与生活的各个领域。无线传感器网络通过节点间的协同合作对网络覆盖区域内的相关信息进行感知、采集和处理,与观察者实现信息交互。定位是无线传感器网络应用的基础和关键技术之一。由于能耗、成本和扩展性等限制,目前常见的GPS等定位技术明显不适用于大规模的无线传感器网络。因此,研究和设计一种高效低功耗的WSN节点自定位算法具有重要研究价值。蒙特卡洛定位(Monte Carlo Localization,MCL)算法是第一个针对移动节点定位的非测距定位方法,该算法利用节点的移动特性优化定位性能,为定位研究提供了全新的思路。本文通过分析无线传感器网络中MCL算法的优势和不足,在其基础上提出了两种改进算法,通过增强滤波条件、完善过滤机制以及优化权值多方面实现定位性能的提高。本文所做的主要研究工作如下:(1)介绍了无线传感器网络的背景和发展历程,详细介绍了无线传感器网络的工作原理、结构特性、具体应用和几个主要研究方向的研究现状,阐述了节点定位的相关知识,介绍了几种典型的定位算法,其中对蒙特卡洛定位算法进行了重点描述和分析。(2)针对动态无线传感器网络中经典蒙特卡洛算法定位精度的不足,提出了一种基于距离估计的定位算法—DEMCL(Monte Carlo Localization based on Distance Estimation)算法,在蒙特卡洛定位算法的过滤阶段引入一个无需直接测距的距离估计方法,通过更严格的过滤环节优化样本集以减小定位误差。仿真结果表明,该算法的定位精度和网络覆盖率均有提高,同时减少了采样数。(3)针对蒙特卡洛定位算法过滤机制薄弱以及样本多样性不足的问题,提出了MSMCL(Monte Carlo Localization using MeanShift vector)算法,通过充分挖掘可利用的第三类锚节点信息增强算法的过滤环节,同时引入样本的MeanShift向量优化样本权值,保护了样本的多样性。实验结果表明,该算法的定位精度和网络覆盖率有效提高,且不增加额外的通信开销。