随着传感器网络技术的发展和广泛应用,MEMS技术的发展已经使得实现结构紧凑、成本低廉的动态传感器成为可能,越来越多的人们开始关注动态传感器网络。尤其是机器人技术的发展,使得动态传感器网络的实际应用成为现实。动态传感器网络由于节点的移动性,这种网络的拓扑结构随时会发生变化。动态传感器网络还要保证各节点在网络的覆盖范围之内,良好的移动覆盖算法应该使各移动节点依据且只依据周围临近节点的分布情况动态地调整自身位置,从而使整个网络覆盖趋向均匀；在网络覆盖尽量均匀的基础上对移动目标进行自适应的定位和跟踪,使得网络整体随目标的移动而移动,保持目标对网络可见。本论文取得的研究成果如下：(1)针对大规模事件驱动型网络场景应用的环境下,LEACH算法面对大规模网络缺乏自适应性,未考虑节点剩余能量以及通信效率难以得到保障等问题,设计了一种适用于大规模事件驱动型网络的自适应混合型拓扑控制算法——SAHRC。该算法结合层次型拓扑算法的分簇思想以及节点网内启发机制,扩大了原算法的应用场合,使网络中剩余能量高的节点充当活动节点,延长了网络生命周期,提高了网络的通信效率同时设定了活动节点状态转换域值,进一步降低了全网能耗。仿真结果表明,改进后的算法较原有算法有更好的稳定性和可靠性。(2)提出一种新的基于边界收缩的虚拟力覆盖算法。该算法针对初始分布不均的大规模动态传感器网络,在假定各节点不知网络拓扑结构或者不知自身在网络中的相对位置前提下,充分利用网络边界上节点位置的特殊性,采用边界收缩、内部排斥以及随机扰动三者结合的思想。该覆盖算法可以为传感器网络的MAC协议和路由协议研究提供可靠的支持,并能从不同程度上提高这些协议的工作效率、节省能量。仿真表明该算法在满足要求的覆盖冗余度的情况下,可实现网络覆盖的均匀化和最大化。(3)为解决无线传感器网络移动节点定位精度低,计算方法复杂以及响应时间长的问题,提出蒙特卡罗和航位推算相结合的一种自适应蒙特卡罗定位算法——DRVW-MCL。它利用蒙特卡罗算法作为移动节点的基本定位算法,并在预测阶段加入航位推算方法,通过减少预测角度的误差来提高粒子位置预测的精度；并把Voronoi图和权值融合在MCL算法的粒子过滤阶段,采用Voronoi图和权值的双重筛选的机制,提高粒子过滤的准确性。仿真结果证明DRVW-MCL算法比MCL算法定位更准确。而且DRVW-MCL算法可以在不同节点的速度以及采样粒子的数量少的情况下连续工作,不会产生定位失败的情况,这就在提高算法精度的同时,大大地减少了算法的计算量,从而提高算法的效率。(4)提出一种基于Prim算法的移动锚节点路径规划方法,具体分析了路径规划算法的详细过程。采用Prim算法来进行无向图的生成树的遍历,并与常用的路径规划算法分析相比得出该算法可以降低节点定位的误差。还可以进一步研究对于稀疏网络的路径规划,使其能更快的覆盖网络区域,避免过多的能量消耗。除此之外,还讨论了不确定条件下目标的跟踪算法。动态传感器网络在覆盖、定位、跟踪等方面都是目前传感器网络研究领域的热点问题,其理论的深入研究和开发应用还需要继续作更多的大量工作。本文最后对全文作了总结,指出论文的创新点以及提出了今后可继续研究的方向和内容。