随着物联网、移动互联网和智能移动终端的快速发展,基于位置的服务需求日益增长。虽然全球定位系统(Global Positioning System,GPS)技术己在室外环境中广泛应用,但在室内环境中,其信号受到建筑物和墙壁阻挡的影响使得定位效果很差。因此,无线传感器网络室内定位技术备受国内外研究人员的关注。本文在分析总结国内外相关研究的基础上,针对已有工作的不足,围绕室内定位的关键技术展开研究,提出五种更加接近实际应用环境的高精度、高能效、低成本的定位方案,以满足室内环境下的实际应用。主要研究内容和创新点包括:针对室内障碍物较多易造成非视距(Non-line of sight,NLOS)传播的问题,提出了一种基于高斯混合模型(Gaussian mixed model,GMM)的NLOS定位算法。对含有NLOS误差的距离测量序列利用高斯混合模型进行训练,使用期望最大化(Expectation Maximization,EM)算法估计节点间距离。同时,应用一种低复杂度的残差加权算法结合距离估计值进行定位估计,计算目标节点的坐标。该算法有效抑制了 NLOS误差的影响。针对多维标度(Multidimensional Scaling,MDS)在测距定位系统中的应用,首先对经典MDS算法、修正MDS算法以及子空间MDS进行分析,给出MDS算法在无线定位中的统一框架及其通解。然而,该框架下的最小二乘解都不是最优的,它们的性能均与坐标参考点的选择有关。对此,提出一种基于粒子群优化的最小残差多维标度算法,得到统一框架下的最小残差MDS方法。应用该框架进行目标定位,结果表明最小残差MDS算法的性能不受参考点选择的影响,且提高了传统多维标度算法的定位精度。RSSI测距方式具有实现简便、不依赖于硬件装置等优点,因而广泛应用于目标定位过程。然而,基于RSSI的无线传感器网络室内非视距目标定位算法易受环境干扰,存在波动较大、需要先验数据等问题。本论文提出了一种新颖的RSSI非视距室内定位算法,使用高斯混合模型对RSSI测量序列进行估计,采用估计值建立相异性矩阵,引入多维标度法求解节点相对坐标。根据参考节点的实际坐标,通过坐标转换计算获得目标节点的坐标估计值。仿真和实验结果表明,该算法有效地削弱了 NLOS误差,在严重及复杂的NLOS环境下依然具有较高的定位精度。目前,大多数三维空间移动目标定位与跟踪算法定位精度低、稳定性差,对此,本文提出了一种基于多项式数据拟合的多维标度室内定位算法,该算法在未知测量误差统计分布与目标运行信息的情况下可实现高精度、高稳定性定位。在每个采样周期内,根据获取的测量距离,采用多维标度定位算法对目标的位置进行初步估计,并利用多项式数据拟合对一段时间内目标位置估计结果进行拟合,利用拟合后的多项式校正当前位置估计结果。在UWB实验平台中对该算法进行验证分析,实验结果表明,该算法与现有算法相比定位性能更好,具有稳定性好、精度高等优点。随着基于位置的服务应用需求日益增多,基于位置指纹的定位成为室内定位技术的研究热点。针对目前基于位置指纹的定位系统中存在的定位精度低、运行速度慢等问题,提出基于超限学习机(Extreme Learning Machine,ELM)的位置指纹定位系统。在该定位系统中,Kernel-ELM因其算法运算极快且泛化能力好,被应用于在线定位。在WiFi室内定位系统平台中,对智能手机采集的数据进行测试,结果表明该系统能够实现室内高精度、高实时性定位。-综上,本文系统地研究了无线传感器网络室内定位技术,提出了五种解决方案,并通过大量的实验进行验证。实验结果表明,提出的五种方案具有可行性、有效性和先进性等特点。