二十一世纪以来,无线传感器网络技术越来越成熟,其在信息与智能化时代的应用前景十分广阔,而网络节点的定位技术作为无线传感器网络的关键技术得到了工业界与学术界的广泛关注,相关研究人员提出了多种多样的定位算法但大都具有一定的局限性,例如算法要求较高的硬件开销、算法定位精度较差或者是算法过于复杂。因此,对无线传感器网络的定位算法的研究仍然具有重要意义。无线传感器网络的应用场景多种多样,往往对定位精度与网络成本都有较高的要求。定位算法根据是否依赖测距设备分为两大类,即距离相关与距离无关定位算法,现有的传统距离无关的定位算法普遍存在定位精度较差的问题,而距离相关的定位算法存在网络成本较高的问题导致这样的无线传感器网络无法大规模一次性部署。本文主要内容如下:(1)详细论述了无线传感器网络的定义、应用背景与节点定位技术的研究意义与现状。研究了现有的主流定位技术理论,并对几种经典的距离无关定位算法进行了实验仿真分析。(2)结合对机器学习理论的研究,详细研究了多种基于支持向量机的定位算法的理论,将它们与经典的DV-hop定位算法进行了对比实验,分析得到了现有机器学习相关定位算法的一些不足之处,为改进定位算法提供了思路。(3)基于对集成学习理论的研究,提出了一种基于梯度提升树(Gradient Boosting Decision Tree,GBDT)的无线传感器网络定位算法,并制定了相应的参数设置策略。该算法利用信标节点间的跳段与GPS坐标信息建立距离预测模型,利用未知节点的跳段信息作为输入向量得到其与各信标节点间的预测距离。仿真实验表明,该算法具有更低的定位误差与较低的时间复杂度,改善了现有基于机器学习理论的定位算法的总体性能。