无线传感器网络目标跟踪技术有广阔的应用前景。已有的目标跟踪方法多采取跟踪过程与时间同步相分离的机制,这种独立运行时间同步算法不可避免地增加网络能耗,并且随时间积累的同步误差还会降低跟踪精度。如果能够在时间异步条件下,将时间同步操作融合于跟踪过程,将有利于推进无线传感器网络的实用化进展。为实现时间异步条件下的无线传感器网络目标跟踪,系统的研究了以下问题:(1)目标跟踪前,节点自身定位过程中的测距误差修正;(2)跟踪过程中,在实现时间同步和动态成簇基础上,完成分布式的粒子滤波跟踪算法;处理目标状态测量为异步的情况;(3)目标跟踪算法的有效性验证。为了提高目标跟踪前的节点自身定位精度,提出了一种基于TinyOS的TDOA测距误差修正方法。该方法采用平均路径温度补偿来减少环境温度对超声波速度的影响;利用字同步和时间参数补偿技术,对操作系统的任务发布、命令调用和中断处理等系统开销进行补偿;利用最小二乘原理对测距结果进行线性拟合,实现对测距结果的总体修正。误差修正方法以TinyOS为实现平台,实用性强且简单有效。实验结果显示,在有效测距范围内,修正后的测距误差小于1%。针对目标跟踪过程中的数据时间配准需求,提出了一种内嵌式的按需时间同步算法。算法基于“后同步”思想,时间同步操作由目标跟踪过程驱动,在节省了周期性时间同步操作引起的网络能耗同时,有效降低了随时间推移递增的同步误差。时间同步操作以双向报文交换为核心机制,并将同步报文内嵌于目标跟踪报文,从而减少了节点的报文收发次数和网络数据通信量。通过将该算法与TPSN算法进行比较,表明该算法具有良好同步精度,且能有效降低无线传感器网络目标跟踪的网络通信能耗。为解决时间异步条件下目标跟踪过程中的节点协作管理问题,提出一种高效的动态成簇算法。算法采用贪婪机制,首先通过RSS判断和竞争机制产生簇头,然后根据目标及簇头的通信距离将簇头射频信号的覆盖区域进行功能划分,并完成成员节点招募和状态调整。仿真实验显示,利用该方法实现多节点对目标的高效协作跟踪时,能有效平衡网络节点的负载,且具有良好鲁棒性。针对粒子滤波算法计算量大,难以在低计算能力的普通传感器节点上运行的问题,提出一种并行式的粒子滤波算法(PPF)。该算法根据子节点数量,将滤波器粒子集划分为多个子集,并将其分配到跟踪簇内的每个子节点上并行地进行采样、权重评估、重采样和聚合参数计算。簇头接收到子节点上传的聚合参数后,完成本地状态的估计。通过与集中式粒子滤波算法(CPF)进行比较,该算法具有较好的跟踪精度,对节点计算能力要求更低,且能有效平衡节点间的计算负荷。为了解决目标跟踪中的多传感器异步测量问题,提出了一种基于可信度判决的粒子滤波算法(TJ-DAPF)。首先,建立跟踪簇内的异步测量模型,通过引入时间异步参数对测量方程进行修正。然后,利用密度辅助粒子滤波对参数和目标状态进行联合估计。滤波过程中,通过可信度判决对参数估计结果进行评估,动态决定参数估计执行操作。通过将该算法与DAPF算法进行比较,表明该算法在具有相近的跟踪精度和性能的同时,计算复杂度更低,计算效率更高。针对室内环境中无线传感器网络目标跟踪研究需求,开发了一套室内目标跟踪实验系统。首先,通过实验方法,对无线传感器网络节点的室内无线信号传播特性进行分析。然后,给出了跟踪实验系统的系统构架,并重点描述了节点的nesC程序设计和NodeM-T管理软件的设计细节。最后,通过实验对系统的跟踪性能进行了测试。该系统具有较好的通用性和可扩展性,为验证算法有效性和开展无线传感器网络实际应用研究奠定基础。