近年来,无线传感器网络（Wireless Sensor Network,WSN）技术得到了广泛研究,其在军事、医疗、环境等领域得到了广泛应用。其中,节点定位技术是WSN的关键技术之一。受到WSN中传感器节点部署成本、资源、部署环境等因素的限制,对每个节点都安装定位模块进行定位是不切实际的。因此,有效的方法是对少量节点安装定位模块,利用这些节点的位置信息实现整个WSN的定位。现有的诸多定位算法中,集中式定位算法需要将定位所需信息送往中央处理器进行处理,而后将定位结果再送回相应节点。因此,此类算法计算复杂度高,通信代价大,难以扩展。分布式定位算法不需要中央处理器,节点自身完成相应计算,节点之间相互通信获得位置信息。此类算法降低了成本,且计算复杂度低,易于扩展,但存在利用信息较少,定位精度不高的问题。为此,本论文主要对大规模WSN中节点分布式定位算法进行了研究。（1）WSN中节点定位问题可以归结为高度非线性非凸的优化问题。该问题在大规模WSN中由于维度过高,集中式定位算法难以求解。为此,本文提出了一种基于改进牛顿法的分布式定位算法。该算法包括网络划分和分布式算法,首先根据节点位置和节点之间的距离信息,将WSN划分为若干个重叠的子区域,并将子区域的定位问题归结为无约束优化问题,然后使用分布式算法估计子区域中的节点位置并进行局部融合。在位置估计时,将三边法的定位结果作为初始值,并将Hesse矩阵修正为正定的,进而使用改进牛顿法迭代求解。仿真结果表明,与已有算法相比,该算法易于扩展、定位精度高,能满足大规模WSN中节点定位需求。（2）为了在保证定位精度的同时,进一步降低分布式定位算法的计算复杂度,本文提出了一种基于Barzilai-Borwein梯度法的分布式定位算法。首先将WSN构成的无向图分解为部分重叠的子图,重新构造优化问题,进而将优化问题分解为子问题进行迭代求解。每步迭代包含两步,首先将极大似然估计法的定位结果作为初始值,使用Barzilai-Borwein梯度法估计出子图中节点的位置,该梯度法具备收敛速度快,计算复杂度低的特点,然后对部分重叠的子图进行融合平均。仿真结果表明,与已有算法相比,该算法易于扩展、鲁棒性好,计算复杂度更低、定位更准确,可有效用于大规模WSN中节点的定位。