在实际应用中很多场景都是在三维空间中的,如森林环境的监控、空间探测以及海洋监控等。传感器随机的部署在三维的监控区域内,存在分布不均匀,无法预先知道节点的分布位置等问题。这些问题在实际的应用中使这种功耗低、精度高的三维定位算法研究的无线传感器网络(Wireless Sensor Network,WSN)成为非常紧迫的工作。现有多数的定位算法都是针对二维平面或者三维静态节点进行设计,这些算法中适用于三维移动节点定位的较少。目前设计移动节点定位算法时,往往有缺陷,如定位误差,节点的运行规律是固定等。传统的最小二乘支持向量机(Least Square Support Vector Regression,LSSVR)定位算法是直接测量两节点间的跳距。但在三维复杂场景中存在障碍物,导致定位区域形状不规则,未知节点是移动变化的,节点之间可能由于障碍物的原因导致没有直接连通,因而导致最短跳距出现很大误差。　　针对以上这些问题,本文给出了基于卡尔曼滤波(Kalman Filtering,KF)和LSSVR相结合的WSN三维移动节点定位方法——KF-LSSVR。本文首先阐述了无线传感器网络的国内外研究现状和基本理论,接着介绍了无线传感网络定位技术的基本概念、几种典型的定位算法和性能评价指标,然后描述WSN三维移动节点定位的复杂场景,针对三维空间中的定位场景,本文的复杂场景中包括了复杂区域的内容,或者是传感器网络监测区域中存在阻隔信号传输的障碍物或者网络空洞等情况。同时介绍经典的LSSVR算法的原理。传统的LSSVR定位算法是通过最小跳距来获得未知节点到锚节点之间的距离。但是通过传统的LSSVR定位算法获得的最小跳距不一定是最小的跳距。针对这个问题,改进的LSSVR定位算法是以通过Floyd算法求取两节点间的最小跳距,同时将两种算法进行了对比。最后由于在测距过程中,改进的LSSVR定位算法获得的距离带有噪声误差,因此在改进的LSSVR定位算法的基础上,本文给出了基于KF-LSSVR的WSN三维移动节点定位方法。首先使用KF算法通过状态预测与观测更新来对未知节点到锚节点的距离进行矫正,然后以改进的LSSVR节点定位算法计算未知节点的位置坐标。　　本文用MATLAB进行仿真实验,从节点移动时间、测距误差、锚节点密度、连通度、障碍物、移动速度、未知节点定位误差这几个方面来比较改进的LSSVR、KF和KF-LSSVR算法的定位效果。仿真结果证明,KF-LSSVR定位算法在各项性能指标上的定位效果有了明显的改善,其定位精度更高,且稳定性更好。