无线传感器网络(Wireless Sensor Network,WSN)在无人值守、环境恶劣且危险的情境中具有重大的应用价值,近年来受到社会各界的广泛关注,如工业、军事、学术界等。WSN中两大最受关注的应用是传感器定位和目标追踪。目前学者们早已提出了许多关于节点定位和目标追踪的算法,能够取得较好的效果。也有很多学者提出了许多传感器定位的算法。但是之前的研究主要是把传感器定位和目标追踪看成两个单独的任务。即先使用各个移动传感器之间的观测信息来定位传感器,然后结合这些估计的传感器位置信息和传感器观测到的目标信息一起再进行目标跟踪,可以称此为“先定位后跟踪”(First Localization Then Tracking,FLTT)方法。然而,这种解决方案存在着欠缺,原因在于这种方案没能充分利用传感器节点对目标的探测信息,事实上该信息可以反过来优化节点的位置。本文针对具有机动能力的增强型节点所组成的无线传感器网络,提出了同时进行移动传感器定位及追踪探测目标的分布式变分滤波(Distributed Variational Filtering,DVF)算法。对于移动的传感器和目标移动轨迹的不确定性和不能预估性的情况,确定了分层状态演变模型,选取均值和方差均为随机变量的高斯分布表示目标及各个移动传感器的当前状态。之后,在贝叶斯推理思想的基础上,结合目标与传感器及传感器与传感器之间的探测信息,采用变分滤波算法推导系统的实时状态,结合观测信息,实时在线的估计系统状态,以实现对目标和传感器的同时追踪与定位。通过matlab实验得出结论如下,DVF在保持与粒子滤波几乎相同执行时间的情况下,显著提高了定位与追踪精度,主要是由于DVF将要估计的系统变量变为由系统状态、均值和方差组成的变量集,这样一个变量集具有长尾效应,更能应对现实情况中非线性、非高斯的情况,如目标轨迹发生突变。此外,通过实验得出DVF的能耗远小于粒子滤波,这是由于在DVF中在前一时刻只需向当前时刻传递均值和方差,而粒子滤波需要传递仿真选用数量的带有权值的粒子集。接下来计划将DVF拓展到三维情境下,且通过实地部署,研究DVF的实际应用。