无线传感器网络(Wireless Sensor Network，WSN)以Ad-hoc网络结构或分层结构来对传感器节点进行部署，通过传感器与外界交互完成数据采集、处理以及通信等功能，具有低成本、低功耗、分布式和自组织等特点。WSN广泛的应用在众多环境复杂、高危险的行业。传感器节点通过信息的采集、处理、通信等功能将客观世界的信息同传输网络连接在一起，为人类提供直接有效的信息。无线传感器网络只有确定自身的位置坐标，才能够更准确的传递感知信息。目前，WSN研究人员已经提出了众多的定位算法，DV-HOP算法由于其算法简单、硬件要求低等特点受到研究人员的广泛关注，在此基础上提出了众多DV-HOP改进算法。现有的DV-HOP改进算法主要从优化平均跳距、最小跳数，优选锚节点和优化定位计算方法四个方面进行改进。　　本文通过对DV-HOP算法及其改进算法的分析和研究，发现现有的研究没有精细的反应网络中距离与跳数的关系来提高定位精度，而是更多的对平均跳距来进行优化，忽略了不同跳数对应的距离之间不存在一次线性的增长关系。本文提出了基于线性回归的三种定位改进算法:LRDH(Linear Regression DV-HOP)、MMLR(Min and Max Linear Regression Localization)和 LLRL(Level-LinearRegression Localization)定位算法。　　LRDH算法通过统计锚节点之间的跳数与距离值，对这些数据建立全局线性回归方程，将节点之间的跳数代入线性回归方程得到它们之间的距离值，最终得到节点的位置坐标。　　MMLR算法针对LRDH算法所采用的全局线性回归模型只能从整体上使计算距离更接近实际距离，造成同一跳数对应距离值分布不均而使该跳数对应的距离误差很大的不足，提出了将跳数对应距离分为Max和Min两部分进行线性回归，并引入节点接收到锚节点信息的RSSI值，用RSSI值来判断是选取Max值还是Min值。　　LLRL算法针对LRDH算法所采用的全局线性回归模型造成数据分布不均以及MMLR算法引入多跳RSSI误差较大的不足，提出了将一跳范围内进行等级划分的Level线性回归模型。　　通过仿真实验分析，LRDH算法相比于DV-HOP算法在定位精度上提高了5％; MMLR算法相对于LRDH算法提高了15％，相对于DV-HOP算法提高了20％; LLRL算法相对于MMLR算法提高了不到5％。