水声传感网络(Underwater Acoustic Sensor Network,UASN)的出现大大提高了海洋环境探测的潜在能力。在大多数UASN的应用中,节点定位都是一项基础而重要的任务。节点的位置信息有助于其它水下任务的完成。在位置相关的数据采集任务中,如果缺失了位置信息,数据将变得无用。目前大多数的水下定位模型使用单一的声速值进行距离估计和节点定位,忽略了水体的分层效应以及声速剖面的时间变化特性对定位结果的影响。然而,受水下介质不均匀以及海洋环境动态变化的影响,水下定位存在不确定性。因此,本文就基于UASN的声速估计和定位误差修正开展研究工作。论文的第一部分以UASN中的距离估计问题为例,通过求解克拉美罗界(Cramer-Rao Bound,CRB),讨论了声速剖面误差对距离估计性能的影响。研究结果表明,声速误差和时间测量误差以及深度测量误差一样,是影响水下传感器网络定位性能的重要因素。另外,海洋环境的动态变化也会造成声速剖面的扰动,导致声线路径和信号传播时间的变化,影响模型定位结果的稳定性。因此,为了降低声速误差对水下传感器网络中定位算法性能的影响,为定位模型提供更加准确的声速剖面信息是必要的。论文的第二部分研究了可适用于变化声速环境的高精度定位算法。通过对声速剖面的线性分段近似,建立了节点间声线路径的解析表达式,并将任意两点间声线路径跟踪转化为多项式求根问题。在此基础上,提出了一种利用到达时间差(Time Differenceof Arrival,TDoA)测量的水下节点定位优化算法。仿真结果与实验数据分析表明,相比于传统方法,新提出的算法能够给出更加稳定和准确的水下节点位置估计。论文的第三部分讨论了UASN中的声速反演以及定位误差修正方法。基于微扰法以及声速剖面的经验正交函数(Empirical Orthogonal Function,EOF)表征,建立了网络节点间信号传播时间扰动和EOF系数之间的线性关系。仿真结果表明,在该线性关系的基础上,通过最小二乘等逆问题求解方法,可以实现网络覆盖区域平均声速的反演,并且通过增加节点数量和引入先验信息进行序贯滤波可以有效地提高估计效果。结合论文第二部分的定位模型,论文以节点间距离估计和TDoA定位为例,验证了声速估计能够带来的定位性能改善。仿真结果与实验数据分析表明,结合声速反演的定位模型,节点定位误差能够进一步降低并接近CRB。此外,论文第三部分还讨论了神经网络方法在解逆问题中的应用。仿真结果表明,相比于传统方法,在稀疏EOF系数的估计中,基于神经网络的模型更有机会搜索到全局最优解,并获得更高的估计精度。论文的研究工作丰富了UASN定位方法,通过结合基于网络节点间信号传播时间扰动测量的声速剖面反演,为定位模型更新声速信息;通过声线路径的分段建模,建立了适用于可变声速环境的高精度定位算法,为水下定位提供声速剖面自修正的无偏估计;同时探讨了神经网络模型在解稀疏逆问题中的应用,提供了一种改进传统求逆算法的思路。