无线传感器网络（Wireless Sensor Network,WSN）中的移动目标跟踪算法需要保证较高的跟踪精度又不过多地消耗能量。高效的跟踪效果需要调度更多的移动传感器,然而调度移动传感器会产生大量的能耗。如何平衡跟踪精度与网络消耗之间的矛盾并设计合理的节点协同调度算法是WSN中面向目标跟踪的关键问题。本文分析了在本领域的研究背景以及研究现状,进而提出了面向移动目标跟踪的节点协同调度移动跟踪算法。本文提出了基于布谷鸟算法的双层模糊树移动目标跟踪策略,将目标看作一个“目标圆”,从而调度移动传感器去跟踪目标。该策略由策略选择层、跟踪策略和扩散策略组成,其中,策略选择层可根据每个节点的情况选当前时刻下最佳的策略,即执行跟踪策略或扩散策略。跟踪策略根据传感器节点和“目标圆”的位置情况合理调度移动传感器,扩散策略则是当传感器过于密集时将节点扩散开。由于现实中的移动目标的轨迹不一定有迹可循,所以本文采用“目标圆”表示目标范围,而不需要预测目标精准的位置。两层模糊逻辑树可以寻求出传感器节点的最佳调度方案,实现针对移动目标的协同调度。仿真结果表明该方法可以提高跟踪性能,在调度2个移动传感器时可以得到良好的跟踪效果,在部署40个传感器时可以保证良好的覆盖效果和跟踪性能。通过仿真实验对比各种参数设置下算法的性能,基于布谷鸟算法的双层模糊树移动目标跟踪策略比遗传模糊树算法计算时间减少了20%,跟踪误差降低了25%,跟踪精度提高了50%左右。本文提出了一种有基于动态簇的混合WSN移动目标跟踪策略,动态调度移动传感器节点和静态传感器节点,以免唤醒过多的静态节点造成大量的能量消耗。此外,本文引入了一种目标丢失恢复机制,该机制可以找到丢失的目标并唤醒更少的静态传感器节点恢复跟踪。为了提高恢复机制的可靠性和成功率,本文使用一种自适应无迹卡尔曼滤波（Adaptive Unscented Kalman Filter,AUKF）算法来估计随时间变化的目标。仿真结果表明,即使在目标丢失的情况下,混合WSN目标跟踪方案不仅可以有效地跟踪目标,而且在激活节点较少的情况下仍能保持出色的精度。仿真结果表示,在跟踪过程中采用AUKF的恢复机制相比采用无迹卡尔曼滤波算法（Unscented Kalman Filter,UKF）的恢复机制,跟踪精度提升了45%左右。在上述两种跟踪策略中,基于布谷鸟算法的双层模糊树移动目标跟踪策略是将移动目标看做一个动态的“目标圆”,其中不包含对目标轨迹的预测;而基于动态簇的混合WSN移动目标跟踪策略涉及对目标轨迹的预测以及目标丢失恢复机制。两个技术点的关联在于,使用两种不同的技术方法有效并合理地调度了静态节点和动态节点,对移动目标进行跟踪。