随着无线传感器朝着低成本、低功耗、微型化不断进步,无线传感器网络（Wireless Sensor Networks,WSNs）获得极大的发展。作为无线传感器网络的重要支撑技术,节点定位始终是国内外学者的热点研究领域。大量的WSNs应用有效工作的前提是获取足够多准确的位置信息,这些信息传达了传感器感知到的数据与其发生地之间的联系,缺少了这部分关键信息,WSNs应用价值将大打折扣。目前研究学者们已提出许多适用于各种应用场景的定位算法,一般可根据定位过程中是否需要测距对其加以区分,包括基于测距和基于非测距两类。由于基于测距的定位算法定位精度较高,适用范围更广,本文侧重于研究基于测距的定位算法。然而,在实际应用中由于环境复杂、硬件异常、网络攻击等因素的影响,获得的测距信息往往是不完全、不准确的,造成定位精度降低。本文基于低秩矩阵分解技术设计了两类WSNs节点定位算法,旨在解决测距信息不完全和不准确造成定位精度降低的问题,主要研究内容和创新点如下:1.针对测距信息不完全和不准确的问题,提出了一类噪声免疫的无线传感器网络节点定位算法（noise-immune Lo Calization algorithm via low-rank Matrix Decomposition,Lo CMD）。该算法引入了机器学习领域流行的低秩矩阵分解技术,可以对测距信息中的缺失部分进行补全,避免了求解核范数最小化矩阵补全问题导致的扩放性受限问题;同时,利用混合高斯分布对复杂环境下测距信息中的未知噪声类型进行拟合。实验结果表明,此算法能在复杂噪声环境下较为准确地估计出缺失的节点间距离信息,并在此基础上取得良好的节点定位效果。2.针对测距过程中可能存在的节点异常问题,进一步提出了一种异常感知的无线传感器网络节点定位算法（Anomaly-aware Node Lo Calization algorithm,ANLo C）。该算法以Lo CMD算法为基础,利用?_2,1范数来平滑测距信息中存在的结构化异常,能在实现准确定位的同时探测节点异常,为WSNs的维护管理提供科学依据。实验结果表明,该算法能在复杂环境下取得良好的定位效果,同时能很好的探测出异常节点。最后,本文还将ANLo C扩展到大规模场景下的节点定位问题中,仿真实验表明其同样具有良好的定位效果。