无线传感器网络(WSN)是一种从简单的星型到多跳无线网状的分布式网络,由几个到几百甚至上千个节点构成。这些传感器节点具有体积小、成本低等优势,被广泛的用于监测系统中。如今,这种网络用于工业和消费者应用中,并且在铁路滑坡监测系统中也被使用。然而,上述这些应用都需要知道节点位置信息才有价值。因此,定位在WSN中占有重要的位置,是一个活跃的研究领域。目前,WSN中的定位问题备受研究者们的关注。大部分研究者研究了节点分布在平面环境中的情况,并获得了较高的定位精度;然而节点在某些特殊场合中也会分布在室外坡面环境下,此环境的应用场合虽然较少但在某些情况下却有着十分重要的意义。本文考虑了铁路沿线的滑坡监测系统中节点部署在山体坡面上的情况,利用节点之间的距离变化判断滑坡灾害的发生,从而及时通知调度中心做出相应的反应,以保障列车和人员的安全。通常在室外环境采用GPS定位技术获得节点位置,但如果在滑坡监测系统的节点上全部配置GPS成本昂贵。为了降低成本,本文利用节点之间的信号强度来计算距离,并且通过定位算法确定节点在构造的二维坐标系中的位置。本文分别考虑了平面和坡面两种环境,研究节点间的距离估计问题。其目的是为了研究外部环境因素对距离估计精度的影响。首先采用了两种方法来研究节点间的距离关系,第一种方法是对数正态阴影模型(LNSM),该模型反应了RSSI与距离之间的关系,将接收到的RSSI运用到该模型中可以得到节点间的距离。第二种方法是RBF神经网络(RBF)算法,本文将处理后的RSSI值和距离d分别作为网络的输入和输出向量,当网络的输入与输出向量确定后可以通过RSSI值得到节点之间的距离。在两种实验环境下,利用采集到的RSSI得到距离,并比较估计距离的精度。仿真结果验证了RBF神经网络算法的有效性。其次,对分布在绘制坐标系中的节点进行定位。为了解决基于RSSI测距精度低的问题,提出一种距离优化算法来获得精度更高的估计距离,并在定位过程中采用了三边定位算法和加权质心算法。仿真实验在高铁附近和校园两种不同环境下进行,结果表明距离优化算法能提高测距和定位精度;且三边法优于本文使用的加权法。