无线传感器网络由无线通信、嵌入式系统、微机电系统和低功耗设计等技术融合发展而来,是一种新兴的信息获取和处理技术。无线定位与跟踪是无线传感器网络中的关键技术之一,它具有重要的研究意义。无线定位与跟踪技术通常包括测量、定位、跟踪三个层次。它们既相互独立又互相影响。测量是定位的基础,跟踪是定位的延伸。本文在分析现有定位跟踪算法的基础上,针对传统算法精度较低、收敛性差,或依赖于复杂的运动建模,或复杂度高、计算量大等问题,从理论方法和实现技术上对无线定位的三个层次开展了深入研究。在基于测量的定位方法研究中,首先针对传统方法在低信噪比下精度偏低,收敛性差等问题,提出了一种改进的基于测距的定位算法。该方法以最小二乘法估计初始位置,然后代入信赖域优化算法,将迭代位置求精的每一次过程,转换为一个信赖域子问题的求解,以预设精度作为迭代结束的判决门限,最终得到了比传统算法更好的定位性能。通过仿真证明了改进算法在信噪比较低的恶劣环境下,也能得到较精确的位置估计,它受锚节点几何位置分布的影响较小,具有更强的适应性。最后通过现场实验证明改进算法鲁棒性高,收敛性好。针对传统基于测距的定位方法精度较低,而指纹法定位建库工作量大等问题,将惯性导航信息融入定位跟踪过程,设计了一种指纹法与惯性导航结合的跟踪方案。该方法利用惯性导航短期精度高的特点,与指纹法定位信息进行加权融合的轨迹推算,通过实验验证了其能有效提高跟踪性能。在无线传感器网络跟踪问题中,针对传统粒子滤波的粒子退化及粒子贫乏问题,提出了一种改进的重采样方法。通过引入遗传交叉及免疫变异机理,在重要性采样和重采样过程中,对粒子进行算术交叉及变异操作,提高了粒子的多样性,以似然函数重新进行权重计算,并挑选大权重的粒子,缓解了粒子退化和粒子贫乏问题。改进的算法能应对系统状态的突变,在目标跟踪问题中,相对传统方法具有更高的估计精度。针对粒子滤波依赖状态转移模型进行预测,而由于建模不准确带来性能下降等问题,提出了一种使用信赖域改进的状态转移估计方法,和基于预测状态邻域的迭代重要性采样方法。基于运动目标在相邻时刻位置的相关性,以信赖域最优化方法进行状态转移估计,并在预测状态的某一邻域内,进行迭代的重要性采样。通过对运动目标跟踪的仿真,验证了该算法不存在运动建模误差对精度的影响,且在粒子采样数较低的情况下,仍能保证一定的跟踪精度。在到达角估计的研究中,针对传统方法需要进行谱峰值搜索,以及对高维样本协方差矩阵进行特征值分解,而带来计算量大的问题,提出了一种低复杂度的到达角估计算法,使用传播算子方法来估计两个旋转矩阵,然后利用其主对角元素估计出二维中心到达角参数。仿真证明该算法复杂度低,且无需预知分布源的角分布形式,对模型误差稳健。针对传统子空间拟合法中多维最优化带来的计算复杂度高的问题,提出了一种使用稀疏表示的子空间拟合到达角估计算法。该算法以过完备字典来表示广义导向矢量,将多维优化问题转换为稀疏重建问题,再基于二次锥规划框架解决该问题。仿真证明改进算法复杂度低,具备同时对多个目标进行参数估计的能力,而且当采样率很低时仍能保持较高的精度。