水下传感器网络可以应用于海洋环境的探索与水下资源的开发,具有广阔的发展前景,已引起全世界各个国家的军事部门、工业界和学术界的广泛关注。在水下传感器网络的所有应用中,只有当水下传感器节点位置已知时,节点采集到的信息才具有实际的意义和用途,因此水下传感器节点定位的研究具有基础性的重要意义。在复杂的水下环境中,节点随着水流而移动,而水下节点运动规律的研究成果较少,移动节点的定位非常困难。因此,设计一种适合于水下传感器网络的节点动态定位算法具有重要的理论意义和应用价值。本文研究的主要内容及创新之处在于:(1)研究了动态水下环境中传感器节点的定位问题,提出了一种基于序列学习的节点移动预测算法。该方法利用传感器节点历史时刻的坐标序列进行移动预测:首先将传感器节点历史时刻的坐标序列进行相空间重构;然后利用在线序列极限学习机训练坐标预测模型;输出传感器节点当前时刻的坐标预测值,并随着新的坐标的加入不断更新预测模型。(2)基于以上节点移动预测的结果,结合传感器节点接收到的锚节点的信标信息,实现对传感器节点的最终定位,提高了定位的精度。本文搭建了两种不同的动态水下传感器网络模型,设计了大量的仿真实验,与现有的具有代表性的动态定位方法SLMP算法作对比分析,证明了本文算法的有效性。本文研究并提出的基于序列学习的水下传感器网络中节点移动预测及定位方法,不依赖于节点运动模型,移动预测计算效率高,充分利用锚节点测距信息,可以综合出较为准确的水下节点位置信息。本文工作有助于提高现有水下传感器网络节点定位方向的理论水平和功能,具有一定的参考价值。