无线传感器网络是一种将传感器技术、嵌入式计算技术、微电子技术及无线通信技术等知识高度集成的研究,其应用遍及军事防备、环境监测、生物医疗、交通管理、智能家居、农业生产等等诸多领域,被认为是21世纪最重要的技术之一。确定节点或事件发生的位置对其应用的有效性起着关键性的支撑作用,也是传感器网络构建和维护、监测事件、目标跟踪等功能实现的前提和基础。但是,由于节点资源的有限性、部署区域的开放性及无线电自身的广播特性,致使定位过程存在安全隐患。因此,如何在存在安全威胁的环境下,仍然能够保证安全地确定节点的位置成为必须解决的关键问题,具有重要的理论意义和应用价值。本文聚焦于研究无线传感网络的安全定位方法,从不同的应用场景出发,在深入研究国内外相关技术研究的基础上,重点尝试解决领域内的难点与挑战,包括无线传感器网络的定位攻击分类、面向静态和动态无线传感器网络的鲁棒性安全定位、面向无线体验网应用安全的位置验证问题展开研究。本文主要工作包括:（1）为解决无线传感器网络中的定位攻击分类问题,提出了一种基于深度学习架构的定位攻击分类方法。该方法在考虑原始位置信息的基础上,根据受到攻击前后网络拓扑结构的变化规律,将基于复杂网络理论的节点度和聚类系数指标引入到特征表示中。该方法采用堆栈降噪自编码器算法逐层进行无监督预训练,将大量无标签的高维数据映射为最优的低维表示。然后,有监督地对栈式降噪网络输出的低维表示进行分类。该方法可以有效地区分发起女巫攻击、重放攻击、干扰攻击、虫洞攻击、共谋攻击的五种恶意信标节点和合法信标节点。实验结果表明,与采用堆栈自编码器的深度学习方法以及SVM进行对比,采用堆栈降噪自编码神经网络的定位攻击分类方法在识别时间和识别率上均优于以上方法。（2）为解决静态无线传感器网络中恶意信标节点能提供错误的位置信息影响定位精度和定位有效性问题,提出一种既能容忍恶意信标节点提供的误导信息,又能快速确定未知节点的位置信息的方法。首先采用经典的测距定位算法获得信标节点与未知节点之间的距离信息,通过最大化距离误差概率密度,构建最大似然位置估计概率模型;针对设计的模型为非线性最小化问题,采用简单有效的梯度下降算法寻求最优解,以满足资源有限的无线传感器网络安全定位过程要求。由于随机赋予初始值的缺陷,提出了一个基于3远邻的三边质心方法,缩小位置估计值搜索范围,提高定位精度。由于距离残差梯度中存在恶意信标节点攻击产生的较大距离残差矢量和测量噪音影响定位精度的问题,提出一种基于加权的鲁棒性梯度下降安全定位方法将削弱不一致的恶意距离残差矢量的可疑性权值和提高测距精度的节点间距权值结合起来实现更为安全和准确的节点定位。仿真结果表明,该算法在运行时间、安全性和鲁棒性方面均优于相关安全定位算法。（3）为解决移动无线传感器网络（Mobile Wireless Sensor Network,MWSN）中信标节点不可获得时的安全定位问题,在已提出的面向静态无线传感器网络安全定位方法的基础上,结合相对位置映射,提出一种面向移动无线传感网络的鲁棒性安全定位方法,容忍从不可信的邻居节点获得的恶意位置参考攻击。在相对位置映射中保存了节点的相对距离和邻居关系,如果任何三个节点的绝对位置已知,剩下节点的绝对位置能通过转换参数得出。仿真结果表明,方法具有较强的抗恶意攻击能力,达到了较高的定位精度。（4）为解决无线体域网应用（Wireless Body Area Network,WBAN）中传感器节点放置在患者四肢上的物理位置可能与预设位置不匹配,导致错估患者的生命体征的危险的问题,提出一种面向无线体域网应用安全的传感器节点位置验证方法。以降低节点资源开销、增加节点通用性、降低患者参与识别为目的,将气压测高技术和接收信号强度指示RSSI定位技术结合起来,不需信标节点的参与,仅根据放置在人体四肢的传感器节点的大气压力值和RSSI信息自动识别和映射哪个传感器设备安装在哪个肢体。采用双样本T检验对算法的可靠性进行量化,以确保达到95%置信度的正确识别。针对极端天气造成短期气压值剧烈波动影响上下肢设备区分的问题,采用差分气压测高技术估计传感器节点的高度消除了天气环境的影响,并利用高斯过滤削弱噪音的影响。实验表明,该方案能够很容易地识别出40厘米的水平体距和65厘米的垂直体距,适用于识别室内环境中的传感器位置。本方法与其他室内定位方法相比,不需提前学习大量的数据,实现即使在室内环境中存在大量的环境因素,仍具有一定的适应性。