无线传感器网络(Wireless Sensor Network,WSN)是近二十多年来研究最为热门的技术之一。其自身优势的特点是,与其他技术相比,无线传感器网络可以长时间自主地执行监控任务,且成本花费低。由于其网络具有收集和处理物理测量类型的多样性,因此,在很多场合中都以应用无线传感器网络,例如:基础设施安全,环境和栖息地监测,工业传感,交通控制等。而这些应用中定位技术是重要的支撑技术,其中,基于传感器节点所处的地理信息来确保跟踪对象的位置,可以在人们需要和供应的领域提供帮助。在大型无线传感器网络应用中,节点通常会随机布置到广泛的地区,并且大部分是位置未知。但大量的无线传感器网络的应用需要这些节点自身的未置和接收信息来源的位置,用于获得这些网络事件的位置信息。基于粒子滤波(Particle Filter,PF)的WSN定位算法通过把定位问题转变到状态估计问题,采用贝叶斯估计等手段处理定位问题。与基测距和非测距定位类的算法对比,基于滤波类算法具有稳定性高、定位精度高的优点。PF充分利用WSN中所有的观察信息对当前时刻的节点状态做出估计。基于此原因,采用PF实现WSN定位方式自提出以来一直以来都是科研研究的热点。WSN中定位是非线性非高斯滤波问题,而粒子滤波被广泛用于处理非线性非高斯无线网络定位问题,它通过蒙特卡罗方法生成具有一定概率密度分布的节点粒子,对这些已知状态的节点粒子后验概率的求解,得到目标节点状态的最优定位信息。然而,在WSN中运用PF算法,一直以来的棘手难题是其固有的粒子退化、贫化现象影响目标节点定位估计精度,针对该问题,本论文提出利用质量预测与质心漂移两种策略选择出高质量防止粒子退化,使其粒子分布更加合理。通过仿真分析,本文所提出的算法健壮性高、计算复杂度相对较低,这种状态估计方法适合应用在无线定位领域。本论文主要研究工作如下:1.建立无线传感器网络的粒子滤波状态空间模型,通过目标跟踪的贝叶斯估计,描述目标动态和目标状态相关的测量所需的状态空间模型。粒子滤波器适用于处理一般的状态空间模型,并且不依赖于线性或高斯后验密度的假设。首先描述粒子滤波算法用于状态估计任务。对于较差的初始条件,应用马尔科夫链蒙特卡罗方法来提高粒子滤波器的估计精度。2.粒子滤波算法在处理非线性、非高斯的无线定位方面是优异的。但是,由于粒子滤波算法的退化现象,会影响其性能稳定。其本质原因是参考分布的函数在实际应用中无法获取。因此研究基于粒子滤波的WSN定位技术,避免粒子滤波在WSN定位应用中粒子退化、贫化现象,具有重要意义。3.通过研究在无线传感器网络的粒子滤波状态空间模型下,分别采用多种粒子滤波算法进行仿真分析。运用粒子质量预测函数和质心漂移策略重复粒子滤波并产生系统的最终状态估计,分析粒子退化程度与定位估计值等,分析对比所提出的算法与各算法在置信区间、定位误差、健壮性等方面的优势与改善。实现面向复杂环境的、健壮的、高精度的定位技术目前仍然是无线传感器网络技术的难点。粒子滤波将定位问题转化为状态估计问题,采用贝叶斯估计等方法对无线传感器网络定位技术提供了新的研究思路和方法。以提升粒子滤波WSN定位应用中的健壮性,而进一步有效提高WSN中目标节点的定位精度,减小定位误差。上述工作在某些方面丰富了无线传感器网络定位算法理论,并在其相关应用领域进行了一些有益的探索,具备一定现实价值与理论意义。