传感器节点的位置信息不仅是无线传感器网络大部分应用的基础，而且还是网络实现定向信息查询、提高路由效率以及均衡网络负载等功能的前提，因此研究节点定位技术具有十分重要的意义。本文以RSSI算法以及Shadowing模型为基础，主要研究内容如下：为抑制单次测量的RSSI值对RSSI平均值的影响，本文通过高斯函数确定的门限值来剔除部分测量误差较大的RSSI值，并在最后计算平均值时引入一个加权系数。结果表明这种方法不仅其计算量比较小，而且比高斯滤波更能有效的抑制信号的波动性对RSSI平均值的影响。针对实际应用中信号传输模型在未知节点附近区域的实际参数值与经验值之间存在差异的情况，本文提出利用信号模型在参与定位计算的各锚节点处的参数值来估计该模型在未知节点附近区域的实际参数值。实验证明这种方法降低了由于在整个环境中信号模型参数使用统一的经验值而造成的算法定位误差。在加权质心算法中，未知节点与各锚节点之间的距离为该算法的关键，本文提出利用网络中各锚节点之间的距离以及RSSI值来计算这些距离值，然后再对其按照由小到大的顺序进行排序，再选取前5个值，并任取三个锚节点组成一个三角形，用最佳三角形内点测试法来判断未知节点是否在该三角形的内部，最后用符合条件的三角形所计算出的坐标平均值作为未知节点的坐标估计值。结果表明这种方法的定位精度比距离加权质心算法的定位精度更高。