自无线传感器网络(Wireless Sensor Networks,WSN)于上个世纪90年代诞生以来,围绕其在各个领域中的应用研究就从未间断过。WSN节点定位能够提供节点的位置信息,是节点分簇、路由以及能量优化等的基础支撑技术。现阶段,针对节点定位的研究大多集中于静止的网络环境中,而对移动节点的定位研究还很少。随着WSN在移动场景中(如军事侦察、智能交通等)应用的不断增多,对移动环境下的WSN节点定位算法研究迫在眉睫。蒙特卡罗定位(MCL)最初应用于机器人定位,之后用于WSN移动节点定位,并取得了较好的定位效果。然而,MCL算法是一种粒子滤波,其最大缺陷就是粒子退化现象。虽然重采样技术的引入在一定程度上改善了粒子退化现象,但随之而来又出现了新的问题,即粒子多样性的丧失。由于样本集的多样性变差,很难近似表征节点位置的后验概率密度,使未知节点位置的估计精度难以提升。针对上述问题,本文提出一种基于遗传交叉、变异的多跳蒙特卡罗定位(GMMCL)算法,即利用遗传交叉、变异独特的寻优能力,使先验粒子向高似然区域移动。从而缓解了粒子退化,改善了样本的多样性,提高了节点位置估计精度。论文结构安排如下:第1章介绍了WSN研究背景、结构、特点、关键技术及研究移动WSN节点定位的意义。第2章主要介绍了WSN中移动节点定位的常见典型算法,重点对基于统计方法的定位算法(如MCL、MCB等)进行描述,并对典型算法的性能进行了比较。最后,简单介绍了一些其他适用于移动节点定位的算法。第3章首先对定位算法的理论基础贝叶斯估计和粒子滤波做了相对深入的描述,接着对遗传算法进行了介绍,阐述其在问题解寻优方面的独特优势,最后提出一种基于交叉变异的MMCL算法(GMMCL),并从理论上验证其可行性。第4章对提出的算法进行仿真验证。针对结果与已有算法从不同方面进行比较。结论对全文进行总结,提出不足之处,并对其发展方向进行展望。算法仿真方面,分析了未知节点定位误差随锚节点个数、节点最大移动速度、样本个数以及节点密度的变化情况,并与MCL、MCB及MMCL算法进行了对比分析。仿真结果分析表明,本文提出的GMMCL算法与其他三种算法相比,定位精度得到了一定程度的提高。