无线传感器网络是过去10余年的一个热点研究领域。作为无线传感器网络中最重要的支撑技术之一，定位技术在过去的几年中也受到了广泛的关注。在本文中，主要作出了如下贡献：　　 1.提出了一种精确低耗的移动传感器网络定位算法。自从L.Hu和D。Evans提出将序列蒙特卡罗方法(Sequential Monte Carlo methods)应用于移动传感器网络定位以来，几乎所有的专为移动传感器网络设计的定位算法都采用了序列蒙特卡罗方法。然而，已经提出的算法中，或者仅仅依靠提高锚节点密度来提高定位精度，或者采样效率很低导致计算开销很大，或者二者兼而有之。针对这两个问题，提出了带权序列蒙特卡罗定位算法WMCL。WMCL利用2-跳锚节点邻居的负面信息来缩小候选样本区域以提高采样效率。仿真结果显示，相比于已有算法，WMCL的采样效率提高幅度最高达95％，从而有效的降低了计算开销。WMCL还利用待定位节点邻居的估计位置信息来提高定位精度。相比于类似算法MSL*，WMCL的计算开销和通信开销要低得多并且不需要一些需要手工设定的参数。根据WMCL可以应用于节点速度为0的情况下这一特点，提出了迭代式WMCL算法并将其应用于节点移动速度较高的网络中。仿真结果显示这种算法的定位精度要远高于其它所有已知算法。在实际部署的传感器网络上实现了所提出的算法，实验的结果验证了所提出算法的有效性。　　 2.在对各种基于序列蒙特卡罗方法的定位算法的性能进行比较的过程中，发现在采用不同参数(如所使用的网络个数，算法性能的统计区间等)的仿真过程中实现同样的算法，所得的数据往往存在很大的不同。通过分析发现，这主要是因为已有工作中设置仿真过程时没有考虑所使用的Random Waypoint移动模型的初始化问题所致。给出了避开初始化问题的方法，并且通过大规模的仿真利用定量的方法确定了如何设置仿真过程的参数以得到稳定的性能统计数据(在采用同样参数的不同仿真过程中，所得的性能统计数据的差小于某个给定的阈值)。利用所得的结果，比较了已有移动传感器网络定位算法在有障碍物部署网络中的性能。发现很多在无障碍物部署的网络中用来提高定位精度的方法在有障碍物部署的网络中不再适用，甚至可能会降低算法的定位精度。需要设计新的方法来在有障碍物部署的网络中提高算法的定位精度。　　 3.在大多数已经提出的定位算法中，定位精度是用大规模的仿真实验来考察的，缺少理论方面的分析。近年来，对于基于测距的定位算法中节点位置估计的均方误差，很多工作利用克拉美-罗下限(CRB)对其下界进行分析，并进而利用所得的结果对网络的设置(节点密度等)如何影响算法的定位误差进行分析。然而，对测距无关的定位算法的相关工作较少。针对一类测距无关的定位算法-基于区域的定位(RBL)算法-的定位精度进行了理论分析。证明了在一个面积为S的部署区域中，如果一个RBL算法将其任意划分为k个子区域，则所得的节点平均定位误差不会小于√s/k2/3√π。通过仿真考察了所得的结果在随机分布网络中的适用性。考察了在基于区域的定位算法中影响算法定位精度的主要因素，讨论了如何利用所得的结果设计基于区域的定位算法以达到较高的定位精度并给出了相应的例子。