随着无线通信技术和传感器技术的不断发展,无线传感器节点应运而生,其优点是小型化、低功耗、低成本。5G技术发展的同时,无线传感器网络被应用到更多不同的领域中,其中节点的位置信息尤为重要。在本文中我们主要研究可用于车辆行驶过程中的基于接收信号强度（Received Signal Strength Indication,RSSI）的测距定位算法,基于RSSI的测距定位方法的优点是功耗低,成本低,无需增加额外的硬件设备。但是由于5G所用毫米波信号穿透力弱、车辆的高动态特性和道路交通环境复杂多变等原因,会受多种因素影响,使得测距误差较大的情况下出现定位不准确的问题。针对上述问题,本文的主要内容包括以下几个方面:首先根据测距定位模型研究了其中距离和环境影响因子对RSSI的影响,并使用卡尔曼滤波算法对其进行滤波平滑优化,并通过实验证明卡尔曼滤波算法可以在很少的迭代次数下有较好的滤波效果。其次提出了基于RSSI的预滤波定位算法,通过对RSSI进行预滤波,结合运动模型估计出的轨迹信息,减小和消除RSSI数据中的噪声波动和数据突变,进行目标的精确定位。仿真结果表明,与传统算法相比,在强遮挡环境下容错率高,抗干扰能力更强,有一定实用价值,能极大提升复杂无限电磁环境下的车辆定位跟踪精度。最后在提出的方法中做出改进,加入在线顺序学习机（Online Sequential Extreme Learning Machine,OSELM）神经网络对状态转移矩阵进行预测,在目标进入强遮挡情况下自适应的更新状态转移矩阵的参数,并根据奇异值分解理论对网络中的训练过程进行优化,使得改进后的预滤波定位算法可以在更加复杂多变的行驶状态中使用。