近些年来,无线传感器网络发展非常迅速,节点定位技术作为无线传感器网络中的研究关键,国内外学者均针对其提出了种类繁多的定位机制和算法。但是,这些算法均存在一定的局限性,比如算法的适应性和硬件开销方面都有待改善,定位精度还有提升空间。于是,研究无线传感器的定位并提高其定位精度拥有重要意义。WSN的实际应用环境非常复杂,网络节点的通信特性也不尽相同。现有的定位算法均有一定的局限性从而使得算法的精确度以及使用场景受到影响。现有的利用机器学习的定位算法LSVR(Location Through Support Vector Regression)对所有节点模型均使用统一人工设定的参数进行求解,拟合的精度受到影响。本文通过研究经典定位算法后发现传统算法具有定位误差较高,适应性差等缺点。然后应用机器学习理论提出了一种参数优化的最小二乘支持向量回归定位算法(T-LSVR,Tuning-LSVR)。该算法对每一个节点的模型进行参数的优化选择,使用的方法是全局优化方法—耦合模拟退火(CSA)以及交叉验证法,然后使用信标节点的相关信息进行模型训练。这样就建立起了连通信息与物理距离的映射关系从而实现未知节点定位。Matlab仿真实验结果验证了在实际环境中该方法定位相对误差减小,适应性较好并且稳定度高,这改善了传统支持向量回归定位造成相对误差较大的状况。