随着数字化中国的推进，中国已经全面迈向了信息化的时代。无线传感器网络作为物联网主要的技术支撑应用前景广泛，现已应用于军事作战、环境监测、医疗卫生、工业生产、智能家居等领域。定位技术作为无线传感器网络最关键的技术之一，备受研究者们的关注。本文以室内环境为对象进行研究，在总结了国内外研究现状的基础上，对非视距环境下的无线传感器网络静态节点和动态节点定位问题进行深入研究，旨在实现复杂环境下高精度、自适应性强的定位问题。主要研究内容和成果体现在以下几个方面:
　　针对室内狭小的复杂环境障碍物较多容易造成信号非视距(Non-line of sight，NLOS)传播的现象，提出了基于RSS(Received Signal Strength)测量的自适应加权最小二乘估计的定位算法，在误差概率密度函数分布已知的条件下采用广义似然比假设检验的方法确定测量通道中是否受到NLOS的污染。在信号传播状态确定的条件下，采用基于中位值的自适应加权最小二乘估计来实现定位以削弱NLOS误差所造成的影响。
　　考虑到智能优化算法求解简单、具有较强的全局搜索能力，本文提出一种基于智能优化的NLOS节点定位方法，该方法采用假设检验的方法确定NLOS状态，并采用具有收缩因子的粒子群优化算法进行定位。在采样值存在异常情况时，样本中位值性能优于样本均值。因此，在LOS和NLOS状态下，分别采用样本均值和样本中位值建立最小残差代价函数。为了增强算法的全局和局部搜索能力，在粒子群优化算法的基础上引入收缩因子，使得算法收敛速度加快，该算法的定位精度明显提高。
　　考虑到传感器节点常常会呈现移动特性，本文针对未知移动节点在室内复杂环境下信号传播状态在LOS/NLOS之间切换的现象，提出基于TDOA(Time Difference of Arrival)和RSS的可行域粒子滤波非视距定位。首先采用基于TDOA和RSS两种测距模型的假设检验方法去辨识测量信号中是否存在NLOS现象，然后采用考虑NLOS测量信息的可行域粒子滤波方法对未知移动节点的位置进行定位。由于粒子可行域范围的缩小，使得算法计算量减小、定位精度提高。
　　考虑到室内环境受到外部因素的影响使得NLOS测量噪声参数发生动态性变化，针对NLOS噪声参数未知的情况，提出了一种基于改进的Kalman滤波移动策略。在LOS情况下采用Kalman对测量距离进行滤波，而在NLOS情况下设计了修改的变贝叶斯近似自适应Kalman滤波来估计测量噪声的均值和协方差来对测量值进行校正，最后采用残差加权方法进行定位，该算法削弱了NLOS误差带来的影响。
　　考虑到定位算法中NLOS鉴别可能带来一定的误差现象，针对定位系统模型具有非线性、NLOS测量噪声参数未知的情况，提出了基于UKF的交互式多模型移动算法。该算法采用平行的结构将未知节点估计状态输入到LOS通道下的UKF滤波器和NLOS通道下修改的UKF滤波器中分别得到状态估计值，然后根据加权因子将估计值进行数据融合，从而得到估计位置，该算法能够使定位精度大大提高。
　　本文系统地研究了室内非视距环境下无线传感器网络节点定位方面的理论方法，在此基础上对所提出的算法进行了仿真实验验证与结果分析。通过与其它方法对比、分析，验证了本文所提方法的有效性、可行性和先进性。