随着无线通信技术的不断发展,无线传感器网络也从最开始的军事领域应用到如今的工业、医疗、农业等多个领域中,它的网络终端是大量智能化的传感器,人类社会通过传感器节点对局部区域发生的情况进行感知、采集、存储、处理、传输。完成对物理世界的监控。在无线传感器网络应用的每个领域,都需要节点的位置信息,提高节点的定位精度一直是研究的热门。本文主要通过两个方面来提高节点的定位精度,一是对接收信号强度指示进行测距修正,另一方面是改善节点的定位算法来减少误差。无线传感器网络应用的环境多为复杂的非视距条件,无线信号在传输过程中会受到多径、绕射等环境因素影响,导致未知节点短时间内测到的来自同一节点的多组接收信号强度指示（Received Signal Strength Indicator,RSSI）之间差别较大,若测距模型选择了误差较大的RSSI值得到节点之间的距离,那么,再利用这个低精度的距离去参与未知节点定位就会极大的降低定位的精度。在本文中将对重点分析了卡尔曼滤波算法,先是介绍了卡尔曼滤波的原理,之后将RSSI实验模型建立与之对应的卡尔曼滤波模型,再对卡尔曼滤波器的参数通过实验进行优化调整,使其具有更好的滤波效果,接着针对不同噪声强度下RSSI值进行卡尔曼滤波,最后再将卡尔曼滤波同其它滤波算法进行实验对比,实验表明,卡尔曼滤波在不同噪声强度下均有较为理想滤波效果,且同一条件下,卡尔曼滤波具有较好收敛速度与平稳度。在定位算法上提出了基于最小二乘辅助定位的改进四边形加权质心算法。首先对传统的四边形加权质心算法中对于相邻锚节点圆不相交的情况,提出了一种新的解决方法,避免去选择了误差较大的锚节点组参与定位,减少误差累积;之后通过最小二乘法求出未知节点的预估位置,通过预估坐标对四个相邻锚节点圆的内侧交点进行取舍,保留精度较高的交点参与加权质心定位,进而提高定位精度。最后将本文的基于定位辅助的改进四边形定位算法（OLS-QWCRC）同基于测距修正三角形（TWCRC）、四边形加权质心算法（QWC）进行对比,实验结果表明,OLS-QWCRC算法具有较好的鲁棒性,并且提高了定位精度。