无线传感器网络技术是一门新兴的信息采集和处理技术,它是伴随着无线通信技术、传感器技术、分布式信息处理技术以及嵌入式技术的飞速发展而产生的。当今,在军事、工业以及社会生产中均用到无线传感器网络技术,而在这些应用中基于位置的服务是所有应用的基础。因此,无线定位跟踪技术是无线传感器网络应用中的关键技术之一,具有非常重要的研究意义和应用价值。本文在现有无线定位跟踪算法的基础上,以提高定位精度、降低计算复杂度以及减少能耗为目的对无线定位跟踪算法进行优化改进及设计。主要研究内容和研究成果如下:1、现有的任何一种定位算法均不能适应所有的定位场景,尤其是在一些特定场景下具有局限性,因此需对算法进行优化改进。(1)针对观测站点呈均匀圆阵列分布且目标靠近阵列中心时,出现对奇异矩阵求逆导致传统定位算法定位误差变大的问题,提出了基于混合测量模型(TDOA/TOA)的分离变量约束最小二乘算法。该算法避免了对奇异矩阵求逆,提高了定位精度,另外算法中数据处理技术也可扩展到其他定位模型中;(2)针对定位多个动态目标时传统算法精度不高,运算量较大的问题,提出了修正约束总体最小二乘算法。该算法全面考虑约束条件,引入拉格朗日乘子技术和拟牛顿的BFGS迭代公式,避免了计算Hessian矩阵,缩减了计算量,提高了定位精度;(3)针对目标靠近参考节点或任何一个坐标轴导致传统定位算法定位误差急剧增大的问题,提出了优化两步最小二乘算法。该算法通过再次选择参考站点和旋转坐标系统,避免了传统算法中的致命缺陷,以增加微小计算量的代价提高了算法的定位性能。2、针对非视距传播导致传统算法定位误差较大的问题,提出了鉴别非视距传播和减弱传播误差的优化定位算法。该算法通过Bayes序贯决策辨别出非视距传播,提出可修正的卡尔曼滤波算法,即自适应调整测量误差的方差和协方差矩阵,平滑测量数据从而减弱非视距传播带来的定位误差,最后采用残差加权算法估算出目标位置。该算法能够有效减弱因非视距传播导致的定位误差,现场物理实验和仿真实验验证了该算法的可行性和有效性。3、针对异构网络下的目标定位,来自不同类型的观测站点的测量数据融合问题,提出了一致性正交容积卡尔曼滤波定位跟踪算法。该算法引入附加变量代表状态向量中的非线性项,提出自适应加权因子调整不同类型信号输入系统的比重,实现优质信号的最大化输入,为设计高精度的算法提供可靠保障。然后通过正交容积卡尔曼滤波更新状态向量、速度向量以及附加变量,实现对动态目标的跟踪。仿真结果表明,所提算法定位性能优越,具有较强的鲁棒性。4、针对现存的被动式目标定位算法需要采集大量数据而导致运算量较大与能耗较高的问题,提出了基于压缩感知的目标定位跟踪优化算法。该算法设计了满足约束等距性的感知矩阵,提出了稀疏度自适应正交匹配追踪算法估算目标的个数(稀疏度),能够精确地恢复出目标的位置向量,实现了对目标的定位与跟踪。现场和仿真实验结果表明,所提算法在保证定位精度的前提下有效地缩减了数据采集量。