嵌入式系统、信息处理、无线通信技术的进步推动了无线传感器网络(Wireless Sensor Network,WSN)的快速发展和广泛应用。无线传感器网络实现了物理世界与以互联网为代表的信息世界的互连,使得人们可以随时随地获取感兴趣的信息。基于WSN的目标跟踪,由于低成本、高冗余、网络扩展性强等特性,在军事和民用领域得到了广泛地关注,也因此取得了飞速的发展。本文的研究工作围绕无线传感器网络执行目标跟踪时的节点规划和信息融合而展开,针对提高跟踪精度和降低网络能耗,提出了一些具有理论意义和实际应用价值的算法。论文的主要研究内容如下:不同传感器节点对目标状态估计的贡献程度不一样,同一传感器节点作为簇首和普通任务节点的贡献程度也不一样,因此有必要规划节点的参与方式,以提高系统的跟踪性能。针对簇首使用自身的测量数据和普通任务节点量化后的测量数据进行信息融合的场景,提出了一种基于PCRLB(Posterior Cramer-Rao Lower Bound)的节点规划,当前簇首通过计算候选节点中所有任务节点组合所对应的PCRLB,以此确定下一时刻的簇首和普通任务节点,同时设计了相应地粒子滤波算法来估计目标状态的跟踪算法。实验结果表明,与基于KL(Kullback-Leibler)距离的节点规划算法、簇首和普通任务节点随机选择算法相比,本文提出的算法能够达到更好的跟踪性能。当信道环境不理想时,无线传感器网络的目标定位和跟踪误差主要来源于多径效应和非视距传输。此时传统的定位方法因为测量误差很大而导致定位效果不理想,因此本文将机器学习框架嵌入到目标跟踪中,不再把RSSI(Received Signal Strength Indicator)当作距离的度量,提出了使用LS-SVM(Least Square-Support Vector Machine)直接建立RSSI测量序列与目标位置的函数关系,由于目标运动具有时间相关性,可以使用卡尔曼滤波对初估计进行修正。仿真结果表明,本文提出的算法相比传统的极大似然估计定位方法能表现出更好的性能,并且经过卡尔曼滤波后精度也有了明显的提升。但在实际的WSN目标跟踪应用场景中,受网络能耗、跟踪时延和通信带宽限制,融合中心收到的是传感器节点量化后的测量数据。而且当传感器节点测量数据范围很大时,直接量化误差会很大。本文针对此场景提出了一种量化策略。先对数据预处理以缩小测量数据的范围,再采用测量数据的量化比特数由其贡献程度决定的方案以提高测量信息的收益。实验结果表明,该量化方案性能优于均匀量化方案,并且在信道环境较差时,与使用原始测量数据时的跟踪性能接近。