目标定位,特别是多目标定位问题,一直以来都是信号处理领域内的重点问题,目标定位在雷达、声呐以及导航系统中都起着至关重要的作用,在射电天文学,地震学等领域中也得到了广泛的应用。近年来,目标直接定位（direct position determination,DPD）算法因其在某些条件下更加出色的性能,逐渐成为了目标定位算法中的研究热点。随着分布式无线传感器网络相关研究的不断深入,分布式算法可拓展性和灵活性等便捷的优势日益明显。使用分布式算法解决目标定位问题有着重要的研究价值和巨大的应用空间。同时,随着硬件设备更新换代的速度不断提升,如何使异构网络中不同的新旧设备合作更有重要的研究意义。本文首先以分布式参数估计为例,讨论了异构网络、节点特异等主要概念,并研究了一种异构网络加权组合系数方案。然后,本文针对多目标定位问题,对使用阵列网络的多目标直接定位算法进行研究,主要研究内容包括以下三部分:针对使用静止异构阵列网络对多个目标进行定位的问题,本文研究了一种分布式自适应的节点特异目标直接定位算法。针对异构网络中阵列结构不同的问题,本文研究了一种维度转换方案,以使异构的阵列联合对目标位置进行估计。通过对最小方差无失真响应（minimum variance distortionless response,MVDR）代价函数进行梯度下降求解的方式,该算法避免了传统DPD算法中计算复杂度较高的网格搜索。此外,本文研究了一种基于矩阵求逆引理的相关矩阵逆矩阵估计方式,使算法可以对目标进行持续定位。针对发射机信号波形已知的模型,本文研究了一种基于高维相关矩阵的分布式自适应多目标直接定位算法（high dimensional signal correlation matrix direct localization,HDDL）。HDDL算法可以实现更高的定位精度,但维度较高的相关矩阵导致该算法收敛速度较慢。本文在HDDL的基础上,研究了一种降维（reduced dimensional）方案,并利用联合迭代的方法,同时对目标位置估计值和降维矩阵进行计算,为多目标有源直接定位问题提供了一种精度较高的解决方案,该算法称为RDDL算法。在稳态定位误差相同的情况下,RDDL算法相比HDDL算法有着更快的收敛速度。针对使用运动阵列网络对多个目标进行定位的问题,本文考虑带有多普勒频移的信号模型,研究了一种基于网格搜索的运动阵列网络集中式多目标定位（centralized direct localization for moving array network based on grid search,CDLMG）算法和一种基于梯度下降（gradient descent）的运动异构阵列网络分布式自适应多目标定位（DDLMG）算法。本文对上述维度转换矩阵选择方案作了进一步的修正;利用运动网络相邻时间区间位置之间的联系,构造了相邻时间导向矢量的关系式,并研究了一种时变的伪相关矩阵估计算法。经仿真实验验证,两个算法均能较好地完成对多目标定位的任务。DDLMG算法在保证定位精度差距不大的情况下,相比集中式算法有着更灵活的优势。