近年来,无线定位作为一种重要的公共安全特征,已被广泛地应用于工农业、医疗甚至国防等领域。随着网络设备数量的飞速增长,第五代超密集网络（Ultra-Dense Networks,UDN）系统中关于盲节点的定位问题越来越备受关注,同时节点的密集性和随机性对于定位精度的影响也越来越大。因此在UDN下如何利用节点的分布特性,获得高精度且低成本的定位算法成为了当今研究的热点。针对UDN中的定位问题,本文分别基于测距和非测距定位技术,对节点随机分布下的定位系统展开研究,主要工作包括:（1）基于测距定位技术,首次将参考节点的二维高斯随机分布特性和基于到达时间（Time of Arrival,TOA）的测距特性作为先验信息,推导了基于该先验条件下的克拉美罗下界（Cramér-Rao Lower Bound,CRLB）。理论分析表明,参考节点服从随机分布下的CRLB小于参考节点服从固定分布下的平均CRLB。此外,基于极大似然估计（Maximum Likelihood Estimate,MLE）提出了三种定位算法,包括迭代法、闭式解法和混合定位算法。迭代法可在足够大的参考节点下获得良好的性能,但在较差的几何精度因子或少量的参考节点下可能导致迭代发散,使得定位性能下降。闭式解法具有收敛性,但理论方差相较于迭代法更大。因此,又提出了一种将迭代法与闭式解法相结合的混合定位算法,其核心是将迭代法的高定位精度和闭式解法的收敛性优势进行整合折衷。仿真结果表明,提出的CRLB比传统的CRLB要低15.85%,提出的闭式解法和混合定位算法的定位精度相较于传统的闭式解法分别提高20.65%和24.22%。进一步表明相较于传统的基于测距定位方法,本文提出的算法具有更好的定位性能,并能够渐近地达到CRLB。（2）基于非测距定位技术,首次将参考节点的二维高斯随机分布特性和节点间的连通性特性作为先验信息,推导了基于该先验条件下的CRLB。并且首次推导了在任意节点分布下质心定位（Centroid Location,CL）算法的理论方差,与现有的只推导了均匀节点分布下CL的理论方差相比,本文提出的理论方差可用来评估任意节点分布下CL的性能。此外,提出了一种基于MLE的迭代混合法来提高定位精度,该算法结合了迭代法和CL算法,有效地利用了节点空间分布的先验信息和连通性特性。仿真结果表明,基于非测距提出的迭代混合法的定位精度相较于CL算法提高2.56%,并能渐近地达到CRLB。