在无线传感器网络(WSN)中,信号的传播状态鉴别和节点间的鲁棒定位成为WSN的关键技术。在室内环境下,由于障碍物的反射和衍射,传播信号的强度会因此削弱,从而产生非视距误差。文本针对室内非视距环境,研究了信号传播的参数特性,提出了基于期望最大化的算法改进和基于传播延迟估计的状态鉴别算法,并结合本文提出的基于泰勒级数展开的TDOA定位算法,实现良好的非视距误差鉴别和较高的定位精度。本文针对传播信号的参数特性,将期望最大化算法的改进应用于信号的状态鉴别中。由于信号的测量值中可能既包含视距情况又包含非视距情况,且均服从高斯分布,故整体服从高斯混合模型(GMM)。基于GMM,通过期望最大化算法的改进确定GMM的分支项数目,从而达到对信号状态的鉴别。从仿真结果来看,存在非视距的环境下,通过混合模型的分支数确定,结合定位算法可以很好地改善定位精度。基于传播延迟的测量值估计,本文提出一种改进算法对信号的传播状态进行鉴别。通过phase-only-correlator(POC)原理得到信号的传播延迟时间,再乘以信号传播速度得到距离的估计值。通过RSSI定位模型得到目标节点与信标节点之间的距离估计值。通过上述两种距离估计值的比较,鉴别出的测量值属于强非视距。在剩余的测量值中,利用期望最大化算法和交替优化算法对分布的参数进行估计,通过判别式鉴别出的信号属于弱非视距,其余的为视距。在仿真实验中验证了该算法较高的探测成功率,并能很好地转化到定位精度上。对于节点的鲁棒定位,本文提出一种基于泰勒级数展开的TDOA定位算法的改进,利用优选残差加权削减计算量,从而减少了节点间通信的能量消耗。将优选残差加权得到的估计值作为迭代的初始值,克服了泰勒级数展开的不收敛问题,当满足判别式条件时停止迭代。仿真实验数据分析表明,该算法不仅改善了非视距环境下的定位精度,还有效地削减了庞大的计算量。