传感器技术的迅速发展使得无线传感器网络(Wireless Sensor Network,WSN)在众多领域具备广阔的应用前景。考虑到WSN中的多数应用是基于传感器节点位置的,研究WSN定位算法具有重要的现实意义。本学位论文针对WSN定位的几个关键问题,包括如何降低算法复杂度及网络功耗、如何识别并抑制非可视径(None-Line-of-Sight,NLOS)误差以提高定位精度以及如何增强定位系统的鲁棒性等,提出了对应的算法加以解决,以期进一步完善WSN定位算法的性能。首先,提出一种基于软件定义网络(Software Defined Networking,SDN)架构的定位节点选取算法,在网络总功耗受限的条件下,为每个待定位节点选取出对其定位结果最有利的一组参考节点,从而降低算法复杂度及能量消耗。该算法计算出每个参考节点对特定待定位节点的类-克拉美罗下界(Analogous Cramer-Rao Lower Bound,A-CRLB),作为衡量该参考节点对定位结果的贡献值。算法利用SDN网络结构的特性,分别在非协作定位及协作定位场景下提出一种集中式的节点选取算法,将其构建成在网络总功率约束条件下的0-1规划问题,求解得出使贡献值总和达到最大的参考节点集合。此外,在所提的基于SDN的节点选取算法中定义了一种适用于软件定义传感器网络的编址方式,用于控制平面与数据平面之间的南向协议接口之中。仿真结果表明所提的算法可以有效地实现WSN定位算法的精度与复杂度及能量消耗之间的均衡。其次,提出一种基于AdaBoost的非可视径误差识别及抑制算法,用来消除或缓解因WSN定位场景中存在障碍物阻挡而导致的NLOS误差的影响。NLOS误差识别算法通过提取节点之间传播路径的信号特征,利用AdaBoost机器学习算法从一系列弱学习器中训练出一个NLOS强分类器,将可视径(Line-of-Sight,LOS)路径和NLOS路径区分开来。NLOS误差抑制算法在鉴别出NLOS路径后,提出一个链路状态因子(Link Condition Indicator,LCI)衡量不同链路受NLOS影响的程度,并将其作为加权因子,设计一种N阶概率性硬加权(N-Probabilistic Hard Weight,N-PHW)算法对传统的无线网络和积算法(Sum-Product Algorithm over a Wireless Network,SPAWN)加以改进,使其具备缓解NLOS影响的能力。仿真结果表明基于AdaBoost构建的NLOS强分类器可以有效地识别NLOS路径,在此基础上改进的SPAWN算法能够抑制NLOS误差,提高定位精度。接着,提出一种基于经济模型的协作定位激励算法,通过设计一个定价方案,从利润的角度引导每个盲节点达到最优状态,从而鼓励网络中的盲节点,特别是一些处在较好网络状态的盲节点,积极参与到协作定位中。所提的激励算法分为预算决策和价格分配两个部分。预算决策部分构建一个基于博弈理论的最优化问题,将每个盲节点当成博弈问题中的参与者,并将其效用函数表示成与利润相关的函数,采用Dinkelbach方法将效用函数转化成一个凹形式的目标函数,并提出一种单对谈判(Per Pair Negotiation,PPN)策略求得该优化问题的最优解,确定出每个盲节点利润最大化的最佳预算投入。价格分配部分通过引入Shapley值度量每个参考节点对盲节点定位结果的贡献值,将盲节点的预算公平地分配给每个参考节点,使得在给定预算的情况下,盲节点的定位精度达到最优。仿真结果表明所提的激励算法能够使网络中处于较好状态的盲节点更乐意参与到协作定位中,从而提高网络的整体定位性能。最后,提出一种基于RSSI和惯性导航的融合定位算法,通过不同定位技术的优势互补,提高定位系统的准确性、可靠性和连续性。算法利用接收信号强度指标(Received Signal Strength Indicator,RSSI)值,通过位置指纹匹配算法初步估计节点的位置,同时采集目标节点上携带的惯性测量单元(Inertial Measurement Unit,IMU)提供的惯性数据(包括节点移动的加速度、角速度以及所处位置的地磁强度值等),计算其移动过程中的俯仰角、翻滚角和航向角等姿态向量,将这些信息以及RSSI数据通过Kalman滤波器,采用状态方程描述目标节点位置坐标的动态变化规律,使用融合定位算法对RSSI定位结果进行修正。仿真结果表明所提的融合定位算法可以克服单独使用RSSI定位或惯性导航方法存在的问题,从而增强定位系统的鲁棒性。