获取传感器网络节点的位置坐标是无线传感器网络应用中需要解决的基本问题。对于大多数应用,不知道节点位置而感知的数据是没有意义的。可移动传感器节点的位置具有实时可变性,这给定位的实施和定位精度的保证带来一定困难。因此,研究有效的定位算法保证无线传感器网络中移动节点的定位精度具有重要的理论意义和应用价值。目前大多数无线传感器网络定位方案都是针对静止节点的定位,即已知被定位节点处于静止状态。在这种情况下,对基于RSSI的定位方案,一般可通过采集多个RSSI样本并对样本进行过滤的方法从底层减小因RSSI信号的不稳定所引起的误差。但是在很多应用环境下,系统是不能确定未知节点是处于静止状态还是运动状态,例如固定在井下作业矿工身上的传感器节点,为研究动物生活习性给野生动物身上加装的传感器节点等等。在这种情况下,传感器节点的移动性使得难以在同一地点采集多个有效的RSSI样本,因此通过重复采样来减小定位误差的方法不再有效,定位精度也难以得到保证。为此,本文从三个方面对传统的定位方案进行了改进：在测距方面,提出了改进的自适应对数正态阴影模型,用以提高测距模型的自适应性,进而提高测距精度；在定位算法方面,提出了模糊质心定位算法,该算法具有精度可调节,算法易实现,定位精度高等优点；在定位误差修正方面,采用了Kalman滤波方法,利用马尔可夫过程原理建立了状态方程,根据未知节点某个时刻的状态对下一时刻的坐标位置进行预测,并结合未知节点状态数据的测量值估计出坐标位置的最优值,从而达到减小定位误差的目的。课题针对在三个方面提出的理论都进行了实验验证。实验结果表明,相比传统的定位方案,本文的研究工作以增加较少的算法复杂度为代价,有效地提高了无线传感器网络中基于RSSI的移动节点定位的精度。