移动通信技术近些年来获得了快速发展,无线定位技术对于网络质量优化起着重要作用,同时,移动互联网的快速发展导致对定位技术的要求也越来越高,催生很多基于移动终端位置的应用,使得定位技术与我们的日常生活越加密切。传统移动通信网络定位技术,如信号强度,信号到达时间,不同技术具有不同优劣及其适用场景。但传统定位技术普遍在实际场景应用中存在局限性,如定位时间过长,定位准确度不够高,适用于特定场景等。现今对于定位的需求较大,又有更高的要求,因此本文尝试利用其它技术进行无线网络定位以提高定位精度和定位速率。结合本人对于压缩感知CS(Compressed Sensing)的学习,将地理位置进行栅格划分,定位转变为栅格确定,可将其等价为稀疏信号,因而可用压缩感知算法进行求解。结果显示压缩感知算法在实验仿真具有较好性能,但在现网应用时由于信号测量的局限性和环境的复杂性,性能较差。但该尝试提供了无线网络定位的新思路。支持向量机SVM(Support Vector Machine)理论的两个核心思想是统计学习中的VC维理论和结构风险最小化原理,基于有限的样本信息兼顾训练模型的复杂性和模型的学习能力,获得最好的推广能力。因为SVM理论的优势,小样本、非线性及高维模式识别经常利用SVM进行解决,但比较少被用于无线定位。基于SVM展现出来的优势和移动台定位服务的市场需求,值得对SVM应用于定位技术进行更深入的研究拓展。本文的研究结果也证实了SVM在定位中的优势,在现网数据验证中100米定位性能可达到90%高于一般定位算法的40%。为了使定位算法更好的适用于现有网络,本文对其实现框架和流程进行了整体优化。