无线传感器网络已经成为现代科技中最重要的研究领域,位置感知作为无线传感器网络中的重要技术之一,在军事防御、无人驾驶导航、移动机器人定位等众多领域中得到广泛应用。在协作定位过程中,传统集中式定位技术存在较高的通信开销和计算复杂度,并且对代理节点故障不具有鲁棒性等问题;而新型协作定位技术通过充分利用代理节点潜力具有较好的扩展性和定位精度,在无线定位中具有更好的应用前景。本文对无线传感器网络中分布式协作定位与跟踪方法展开了研究。首先研究了非线性高斯系统下分布式移动代理协作定位技术,然后讨论了非线性非高斯系统下分布式代理协作定位和目标定位技术,最后将上述研究推广到分布式代理协作定位与目标跟踪。本文主要贡献如下:针对非线性高斯系统下传统协作定位算法存在定位精度低和计算复杂度较高问题,提出了一种基于置信度传递的分布式容积卡尔曼滤波协作定位算法。根据网络中所有节点的联合后验概率密度函数建立因子图模型,基于该模型通过置信度传递算法计算节点边缘后验分布。由于节点位置满足高斯分布和量测模型非线性,导致上述边缘后验分布无法得到闭式解,因此利用容积卡尔曼滤波算法,采用高斯参数化置信度传递与重构策略,推导得到了因子图中每个置信度和每个节点后验分布的多维高斯模型。由于该算法中相邻代理节点只需传递均值向量和协方差矩阵,较低的通信开销和计算复杂度在实际应用更具有可行性。针对非线性非高斯系统下传统协作定位技术使用非参数置信度传递方法导致较高的通信开销和计算复杂度问题,提出了一种基于参数化置信度传递的分布式协作定位算法。利用参考节点量测能力,引入双曲线渐进线模型估计待定位节点位置分布。根据网络中所有节点位置变量的联合后验概率密度函数,建立双层因子图置信度传递模型。在第一层因子图中传递置信位置,完成待定位节点位置分布估计,并传递该结果作为第二层因子图对应节点先验消息;第二层因子图通过参数化置信度传递计算节点位置变量的后验分布,并推导得到了因子图上各个变量节点和因式节点的参数计算表达式。该算法中相邻节点仅需传递参数化置信度,有效降低了通信开销和计算复杂度,提升了协作定位技术在实际应用中的可行性。针对移动网络中的代理协作定位与目标跟踪问题,通过将新型协作定位模型扩展到协作定位与目标跟踪中,提出一种基于非参数置信度传递的分布式协作定位与目标跟踪算法。该算法根据网络中所有节点的联合后验概率密度函数建立因子图模型,并通过置信度传递算法计算各个节点位置变量后验分布。针对节点位置的非高斯分布和量测模型非线性特征,无法闭式计算后验分布,提出了一种低计算复杂度的非参数置信度传递与重构策略,获得组合高维非参数消息计算局部联合概率密度分布,然后通过执行边缘化方法计算各个节点位置变量的边缘后验分布。进而,由于网络中目标节点的非协作和被动跟踪特性,需要所有相邻代理节点和参考节点共同完成因子图中目标节点置信度传递与计算,实现分布式代理协作定位与目标跟踪。