在蜂窝接入网络优化领域中,测量报告是一种较新的数据来源,它包含了服务小区的接收信号功率、质量和至多6个邻近小区公共物理信道的接收功率数据,相比传统的运维中心(OSS)数据和道路测量数据,具有细节性更强、描述范围更广的优点。然而,要想利用测量报告构造全网的接收信号质量的分布图,必须获得产生各测量报告的实际地理位置,即对移动终端进行定位。在传统的定位算法研究中,基于最小二乘准则的泰勒级数法、扩展卡尔曼滤波器和非迭代算法Chan,以及指纹算法、近似算法等都是研究热点。其中,基于最小二乘准则的算法通过残差拟合和噪声剥离提高定位精度,但是往往在视距环境下的理论性能较好,而对实际非视距环境考虑不足;指纹算法将来自多个站的接收信号强度指标描述为一个多维矢量,通过矢量特征匹配估计终端位置,但是该算法对先验样本采集量的要求很高,一般只应用于室内等较小的定位范围;近似算法结构简单,易于推广,为此,本文针对该类算法开展研究工作,以克服其理论精度较低的问题,找到定位精度与应用性的契合点。为了采集实际接入网络的测量报告和对应的GPS位置数据,本文在黄石市开展了一场大范围的路测实验,其中用户状态分为静止、步行和车速,传播环境涵盖建筑物、山丘、湖泊、隧道、广场等。基于路测获得的数据,本文首先对四种常见的近似算法CI、CI-AVG、CI-RXLEV、CI-ANGLE进行了比较,计算了其实际定位精度。实验结果表明,利用参数最多的算法CI-RXLEV由于邻区匹配、地形等原因,误差较大。为此,本文提出对CI-RXLEV的改进建议(称为CRE),通过邻区与服务小区之间距离的阈值以及加权系数的指数设定,使平均定位精度提升47%,达到约330米。为了降低量测噪声,本文接着以改进后的计算结果为初始值构造了扩展卡尔曼滤波器,滤波器的量测矩阵基于Okumura-Hata模型,并通过雅可比矩阵展开,对0阶子项做了近似处理;实验发现,由于传播模型预测误差过大和泰勒展开式收敛较慢,扩展卡尔曼滤波器并未获得预期结果。为了消除传播模型和泰勒级数近似性的影响,本文接着直接将CRE算法的定位结果作为量测值,比较了矢量卡尔曼滤波和移动平均法的去噪性能;实验发现,两种算法都使定位误差减小了9.5%,但由于量测噪声功率远远大于实际用户状态的噪声功率,矢量卡尔曼滤波器估计用户状态的优势并未显现。本文还定性分析了CRE算法的结构参数和位置误差之间的相关性,根据结构参数的统计性指标构造了一个经验误差估计公式,该公式的拟合近似度仅有51.2%,但是能较好识别定位误差较大的结果。为了进一步提高定位精度,本文提出了虚拟天线的概念,它可视为属于同一基站的多个小区位置相关信息构成的综合体,即目标基站的虚拟唯一天线,其位置即基站的位置,其方向角可更加准确的指向终端方位,其接收电平可更加精确的反映传播距离,其类型参数融入CRE算法的加权系数后也能够有效的减小位置误差。基于虚拟天线,本文提出了旋转逼近算法,根据初始估计位置,依次以测量报告时间序列包含的各虚拟天线为中心,通过朝各天线方向角不断旋转,最终可获得更高精度的终端位置估计;实验结果表明,平均定位误差被进一步减小了32%,达到约200米,相比文献[69]所述的指纹算法,在测试环境更为恶劣的条件下获得了30%以上的精度提升。