让世界的每一个角落都有知觉,这是现在智能科技的发展方向。融合了多种先进技术的无线传感器网络,作为一种全新的数据采集和信息传输技术,在目标追踪、环境监测和搜索救援上有着巨大的潜力。而传感器节点的位置成为服务体验的重要的基础信息。无法避免的是,某些区域的传感器数量很少,因此不得不使用基于测距的定位算法。显然,测距的精度将直接影响到定位的精度。考虑基于RSSI (Received Signal Strength Indicator,接收信号强度)的测距方式,RSSI的波动势必会对测距造成影响。因此,本文将从RSSI滤波的角度,研究如何从节点采集的原始数据入手,提高定位的精度。首先,文章对无线传感器的研究背景及应用进行阐述,然后对WSNs (Wireless Sensor Networks,无线传感器网络)的基本原理、测距技术和坐标计算方法以及它们的应用范围和不足进行了分析,并总结了定位算法设计时需要注意的要点。接着,本文从数据采集出发,使用真实实验环境采集而来的LQI数据,转换为RSSI值。仔细分析,发现无障碍干扰的RSSI值是在一个区间内波动；而当有障碍物干扰,不规律的误差峰值仍旧是围绕着一个区间波动。文章提出采用卡尔曼滤波算法对采集RSSI数据进行平滑处理之后进行定位。通过仿真发现,末尾几个样本对最后的优化结果有较大的影响。为了消除样本尾部误差给算法造成的干扰,文章进一步提出在使用卡尔曼滤波后再使用中值滤波。再次仿真验证算法的可行性和改进效果,并与单一的卡尔曼滤波算法进行了对比。结果表明,卡尔曼-中值算法能较好地平滑RSSI值的波动,稳定性较好。另外,在计算参考节点和待定位节点距离时,由于信号衰减模型参数A、n直接关系到测距精度,它们容易受到环境影响,并且计算繁琐。本文提出不计算信号衰减模型参数A、n的定位算法,并与计算A、n的定位算法做仿真对比,发现计算结果相同,从而验证了不计算A、n算法的正确性。最后,论文根据以上的理论,实现了一个基于CC2530芯片的WSNs定位原型系统。底层采用主控芯片为TI的CC2530的5个传感器组成的数据采集网络,采集实验所需的LQI数据通过串口传送至PC；上层定位算法将原始数据转换为RSSI值,并进行卡尔曼-中值滤波,然后使用不计算信号衰减模型参数的定位算法,计算出待定位节点的坐标,最后使用GDI+实时绘出。经过反复实验,本系统能够有效地降低了定位误差,静态定位的跳动现象得到解决。文章末尾对全文进行了总结和展望,反省了本次研究的不足和局限性。并对今后的研究方向,做了大致的规划。