随着近年来无线通信技术的快速发展，无线传感器网络以其独特的自组织性、随机性及环境适应性等优势，引起了世界范围内的广泛关注，对人类生活及社会发展产生了巨大的推动力。为了顺利完成监测任务，随机散布的传感器节点需要具备及时准确提供自身位置信息的能力，这对整个系统功能的实现至关重要，因此，本文着重根据无线传感器网络不同情况下的定位需求进行定位技术研究。　　本文运用非线性滤波方法求解无线传感器网络中的节点定位问题。首先根据无线信道衰减模型建立状态空间模型，将定位问题转化为非线性系统的状态估计问题，然后使用基于平方根容积卡尔曼滤波（SCKF）的 RSSI状态估计算法，对节点位置和信道参数同时进行估计，并随着采样点数量的增长进行实时位置修正。　　针对监测区域内分布有单个节点和大规模节点这两种情况，本文分别提出了行之有效的定位算法，即非线性滤波算法与卡尔曼滤波相结合的强适应卡尔曼滤波机制、基于泰勒级数展开的分布式迭代泰勒反馈卡尔曼滤波定位算法。主要研究内容如下：　　（1）在单点定位的情形下，运用非线性系统状态估计的滤波方法实现节点位置估计。考虑到非线性状态估计结果易发散的缺陷，提出了一种普通非线性滤波算法与卡尔曼滤波相结合的强适应卡尔曼滤波机制，即在SCKF或EKF的状态向量估计基础上利用卡尔曼滤波再进行处理，从而使得估计的结果得到改善。该机制首先对非线性模型利用SCKF进行容积近似，得到状态向量的估计值，又依据状态方程的线性变化，使用卡尔曼滤波进一步处理得到最优估计，为对比分析，同理给出了强适应EKF算法的设计步骤以及系统模型下基于RSSI状态估计的克拉默-拉奥界。最后通过数值试验验证机制的可行性和有效性，结果分析表明比起原来未经强适应递推的非线性滤波算法，强适应滤波设计使得系统的状态估计取得了更低的均方根误差。　　（2）针对随机部署的多个待定位节点，深入研究了无线传感器网络中迭代定位技术的分布式实现。针对通信范围内的每个可定位节点，首先使用基于SCKF的RSSI状态估计算法进行节点位置估计和实时修正。然后构建了一个分布式迭代卡尔曼滤波定位算法，即以当前代中定位过的节点作为余下待定位节点的参考节点并重复定位过程。考虑到不精确位置估计的节点升级为信标节点后会造成误差累积传播的缺陷，提出了基于泰勒级数展开的误差反馈控制方法对这一过程进行改进，作为评估节点是否成功定位的判断条件，并应用于原迭代算法上，从而建立了一个泰勒反馈卡尔曼滤波定位算法。仿真验证表明此类算法的定位精度完全可以满足无线传感器网络一般的定位需求，且通过与传统方法的对比更加体现了误差反馈控制方法的性能优势及其在节点位置准确性估计上所作的贡献。