利用UWB信号特有的优势，无线传感器网络（wireless sensor networks,WSN）节点定位技术被应用在地震信号测量、土壤检测、军事勘察和医疗监控等方面，正悄然改变着人们生活的方式。本文研究了密集多径环境下基于到达时间（time of arrival, TOA）估计的UWB无线传感器网络节点定位问题，所考虑的环境为障碍物较多且传播路径受风、雨、雪等自然环境影响的情况。实现WSN节点定位技术重要的一步就是如何测量目标信号节点到已知节点之间的距离，本文参考雷达中阈值检测的恒虚警率（constant false alarm rate, CFAR）算法，用于检测密集多径环境下首先超过阈值门限的TOA估计值。在此基础上，再利用无线定位算法对WSN节点进行定位。在TOA估计方面，传统的基于阈值的方法一般仅考虑背景噪声服从高斯分布的情况，且多数采用基于能量的检测手段。这些方法虽然可以在一定程度上检测出TOA值，但是由于检测门限固定，在低SNR时TOA估计会带来很大误差。另外，在WSN定位方面，传统算法大多数都在二维平面进行定位，定位精度有限。论文首先对传统的高斯噪声背景下的三种基于能量检测的阈值TOA估计算法进行了研究，并且通过仿真实验分析了算法性能。针对传统算法的不足，本文对基于TOA估计的WSN节点定位方法进行了改进，所做创新性工作如下：针对传统算法的背景噪声分布单一、无法确切地表示密集多径环境下噪声的数学分布模型的缺陷，提出Weibull噪声背景下基于ML-CFAR（maximumlikelihood-constant false alarm rate）的WSN三维节点定位方法。该方法适合于密集多径且背景噪声服从Weibull分布的环境。仿真验证了ML-CFAR算法能很好估计出超过门限的第一径TOA值，但该算法必须基于ML算法事先估测出噪声的平均水平，当样本数少时TOA估计值有一定误差。针对传统能量检测算法和ML-CFAR算法的缺陷，进一步提出了一种Weibull噪声背景下基于CA-CFAR（cell averaging-constant false alarm rate）的WSN三维节点定位方法。该算法提取出一部分噪声单元作为参考单元，且加入比例因子T，这样确定出的阈值门限能够动态地自适应背景噪声水平的变化。仿真表明，该算法估计出的TOA值误差较小。针对传统WSN节点定位算法仅能定位在二维平面，无法在三维空间的缺陷，提出将传统的Taylor级数展开算法扩展到三维空间中对节点进行定位，在锚节点位置合理、个数合适的情况下，算法定位效果较好，定位误差较小。