水下节点定位技术是水下无线传感器网络（Underwater Wireless Sensor Networks,UWSN）应用的重要基础。准确的节点位置信息,是传感器节点采集数据有效的前提。但由于水下环境复杂,水下节点的部署比陆地节点更为稀疏、水下网络结构不均匀且节点难以回收,从而给水下节点定位带来困难。机器学习节点定位能够提高节点定位的准确率和算法鲁棒性,因此本文基于机器学习算法,对传统测距定位算法和非测距定位DV-Hop算法（Distance Vector Hop）进行优化。主要工作如下:（1）研究支持向量机算法模型和UWSN的拓扑结构。将网络区域边长、测距误差和锚节点数量考虑到节点定位算法中,提出一种基于改进加权最小二乘支持向量机的水下三维节点定位算法。该算法将水下三维空间分为若干立方体,以锚节点与网格交点的距离向量作为训练集进行训练。并利用多类别模式识别方法进行分类,以未知节点到锚节点的距离向量作为测试集,从而确定节点坐标。实验仿真显示该算法能有效解决水下环境噪音、锚节点稀疏带来的定位问题。（2）针对水下无线传感器网络的三维结构、锚节点的通信差异性导致的DV-Hop定位算法节点定位精度低的问题,提出一种基于随机森林优化的DV-Hop定位算法。首先通过DV-Hop定位算法获取锚节点之间的距离向量和跳数,建立锚节点的随机森林模型。然后获取未知节点到所有锚节点之间的跳数,输入模型进行预测未知节点与锚节点之间的距离关系。最后,利用最大似然估计法估算节点的位置坐标。实验仿真显示该算法有效提升了DV-Hop定位算法在水下环境中的定位准确性。