多源定位是无线传感器网络中的经典问题,其本质是利用传感器节点收集的观测量估计目标源的位置信息。在众多观测量中,接收信号强度具有简单、低成本、低功耗的特性,因此,利用接收信号强度进行多源定位的算法得到了广泛研究。然而,基于接收信号强度的多源定位问题是一个非凸非线性问题,求解非常困难。通常,将多源定位问题转换为稀疏信号恢复问题是解决该类问题的有效方法。因此,本文根据接收信号强度,利用稀疏信号恢复框架对多源定位技术展开较为系统和深入的研究,其主要工作包括:（1）针对无线传感器网络中的多源定位问题,提出了基于拉式先验的稀疏贝叶斯多源定位算法（Sparse Bayesian Multiple Sources Localization,SBMSL）。传统的基于稀疏信号恢复的多源定位算法采用高斯先验对稀疏系数进行建模。已有研究表明,拉式先验比高斯先验更够获得更好的稀疏信号恢复性能。因此,本文利用拉式先验对稀疏系数建模,在此基础上提出了SBMSL算法,该算法主要由稀疏信号恢复、字典学习和定位估计三部份组成。在稀疏信号恢复步骤中,为了获得更好的稀疏信号恢复性能,将稀疏向量建模为拉式先验;然后,利用变分估计算法解决拉式先验和高斯似然的非共轭问题;接着,通过贝叶斯推断得到稀疏信号恢复解。在字典学习步骤中,采用自适应字典学习,通过期望最大化算法估计出字典参数。在定位估计步骤中,利用字典参数以及稀疏信号恢复解估计出源位置坐标和路径损失指数。仿真结果表明所提算法拥有较好的定位估计以及路径损失指数估计性能。（2）针对SBMSL算法中存在的计算复杂度高和数值问题,提出了基于拉式先验的快速稀疏贝叶斯多源定位算法（Fast Sparse Bayesian Multiple Sources Localization,Fast S-BMSL）。在Fast SBMSL算法中,首先基于候选基函数的思想,通过有原则且有顺序的添加和删除候选基向量来最大化目标函数,从而估计出稀疏向量。然后,裁剪掉稀疏向量元素为零值的字典原子,从而得到比SBMSL算法维度更小的字典,进而提高字典学习的时间效率。最后,利用字典参数以及稀疏向量估计出源位置坐标和路径损失指数。Fast SBMSL算法仅利用观测信息即可自适应地估计所有模型参数。仿真结果表明,与SBMSL算法相比,Fast SBMSL具有更好的计算效率,同时能够获得与其相当甚至更好的定位以及路径损失指数估计性能。