随着国家现代海洋经济的发展,海洋开发和利用在国家发展中占据着关键的战略地位。水下无线传感器网络中的传感器节点部署方便,结构灵活,自组织能力强,能够广泛应用于海洋中的数据搜集。节点的位置信息是保证节点所采集的数据信息有实际意义的前提,才能够实现对目标区域的监控。由于传感器节点部署在海洋中,节点随着潮汐移动且性能受到海洋环境的限制,水下节点难以与卫星直接通信来进行实时定位;同时,部署在海洋中的节点由于能量有限且难以更换电池或者补充能量,所以需要减小网络的通信开销;对于大规模目标区域进行监控时,需要提高传感器节点的定位覆盖度。针对水下无线传感器网络节点位置变化频繁,通信开销大的难点,本文通过建立节点的运动模型进行分层预测定位,同时结合粒子群算法进一步提高节点的定位精度。根据水下节点运动的空间相关性,未知节点利用已知节点的信息建立自身的运动模型来完成定位,降低网络通信能耗。本文的主要工作如下:1、将水下传感器网络中的节点分为锚节点和普通节点进行分层定位,根据节点随潮汐移动的运动特征建立运动方程,考虑到噪声干扰对节点的定位精度的影响,采用AR模型和Kalman滤波算法相结合的方式对锚节点的速度进行最优预测,再根据运动方程进行锚节点的位置预测。为了减小累积误差,针对锚节点的位置计算方法,建立锚节点位置的优化模型,利用基于高斯函数递减权重的粒子群算法对锚节点的位置信息和速度信息进行优化,提高锚节点的定位精度。2、考虑到普通节点有限的能量和较弱的计算能力,普通节点根据锚节点传递的信息来建立运动模型并结合历史位置信息来实现定位。为提高定位覆盖度,引入节点的置信度来选择精度较高的已定位普通节点作为参考节点,辅助未知节点定位。同时,设计了普通节点的参考节点列表更新机制来及时更新参考节点的信息,进而提高普通节点的定位精度。3、对基于AR模型和Kalman滤波算法的分层预测定位方法(HPLM-AK)以及基于粒子群优化方法的HPLM-AK算法(HPLM-AK-PSO)进行仿真,并与SLMP算法进行对比分析。结果表明HPLM-AK算法在定位覆盖度、平均定位误差及平均通信能耗方面均优于SLMP算法,且HPLM-AK-PSO算法进一步降低了节点的平均定位误差。