无线传感器网络已广泛应用于众多领域,包括环境监测,智能家居和工业控制等.定位是无线传感器网络的一个重要部分,目前针对室外环境下的定位技术有GPS,GLONASS,GALILEO,BDS等.但在室内环境中受到多路径衰落和复杂建筑的影响,上述室外定位技术很难达到预期的定位精度且定位成本相对较高.因此,为了在复杂的室内环境中以低成本实现细粒度的定位,本文选择基于接收信号强度指示(Received Signal Strength Indication,)进行定位.基于的室内定位技术面临的一个重要挑战是易受到环境噪声的干扰.为了减少噪声对定位精度的影响,主要进行了以下两个方面的研究:(1)在复杂的室内环境中,因环境噪声问题导致测量不准确,传统的定位算法如信号衰减模型的定位精确度降低.本文提出一种基于BP神经网络和无迹Kalman滤波(UKF)的定位方法(记为BP-UKF).在第一阶段,使用基于位置指纹映射的BP神经网络对距离进行估计;在第二阶段,通过三边定位法获得坐标初始值.进一步为了提高噪声环境下算法的定位精度,通过UKF使用带有噪声的数据对系统状态即坐标值进行优化.实验结果表明BP-UKF算法的位置估计误差比BP-EKF算法小,尤其比传统的信号衰减模型估计误差小.(2)UKF无法对噪声统计特性进行在线估计,使得在室内环境下BP-UKF算法的定位精度很难再提升.本文对基于极大似然估计的自适应Kalman滤波算法(AKF)的噪声统计特性估计器进行改进,提出了一种新的自适应无迹Kalman滤波算法.基于BP神经网络和改进的自适应无迹Kalman滤波的定位算法(记为BP-AUKF)可以在线感知噪声并实时更新噪声参数,进而提高算法的定位准确度.大量仿真证明,相比于现有的滤波优化算法,改进的AUKF总是可以获得高的定位准确度,且在真实环境中BP-AUKF算法也有很好的定位准确度.