声源定位在信号处理领域具有重要的研究意义，现已被广泛应用于多种领域。随着麦克风阵列和无线传感器网络的发展，无线声传感器网络(Wireless Acoustic Sensor Network, WASN)作为一种新的声音信号获取与处理方法日益成为研究热点。本文基于WASN的技术特点及应用需求，针对多节点信息融合的声源定位方法展开研究。　　论文系统概述了基于 WASN声源定位的背景意义、定位优势和研究现状，并全面介绍了麦克风阵列和声源定位的理论基础，重点对 WASN中现有经典声源定位方法和节点的远、近场声源参量估计方法进行说明。基于此，本文针对现有方法仅考虑远场情况，且融合中心不存在对声源远、近场估计参量融合的局限性，着重对包含声源远、近场数据的多节点信息融合方法进行研究，提出了两种解决方法：基于卡尔曼滤波的融合定位方法和基于 K均值聚类的融合定位方法。最后，仿真结果充分表明了所提算法的有效性和准确性，并对相关参数的影响进行了详细讨论。　　论文针对交叉定位法中现有融合方式的不足，在第三章提出基于卡尔曼滤波的融合定位方法。首先通过改进的加权最小二乘法实现远场节点DOA估计值的融合，并引入迭代的卡尔曼滤波方法滤除噪声，进一步实现声源远、近场数据的有效融合。该方法在迭代格网法的基础上扩展目标观测范围，抗噪性能增强；并且通过解析法和迭代法的相互结合可以显著提高定位精度。　　此外，针对定位节点中远场节点数据量大和误差冗余信息多的特点，论文在第四章提出另一种基于K均值聚类加权的融合定位方法。首先通过改进的K均值聚类方法处理远场节点，并采用基于密度的加权方法进行声源远、近场数据的融合。该方法通过初始聚类样本集的预更新和聚类结果集的后更新处理有效去除粗大误差数据，充分发挥了K均值聚类的优点；并且不依赖于任何系统模型，应用环境不受限制，在保证定位性能的同时扩展了应用范围。通过实验仿真，证明了所提两种算法在实现多节点信息融合声源定位方面的有效性，并在定位精度、容错性、稳定性等方面具有较好效果。