目前针对面向室内跟踪应用的无线传感器网络,如何结合无线传感器网络自身低功耗、低传输速率的特点以及室内复杂的信道环境,有效的提高跟踪定位精度成为一个迫切需要解决的问题。本文从减少网络通信负载和对复杂场景下运用滤波算法进行跟踪定位处理的角度出发,主要进行如下工作：第一,提出了一种基于最优量化策略的多比特量化卡尔曼滤波算法。经过最优量化器进行量化处理的多比特量化卡尔曼滤波算法通过最优量化策略尽量保留了有效地观测信息,同时极大降低无线传感器网络中网络通信负载。首先利用无线传感器网络节点对待测目标观测信息的相关性,探讨了进行观测信息量化的合理性；其次,探讨了采用单一比特量化的卡尔曼滤波算法以及该算法存在的不足；最后针对单比特量化卡尔曼滤波算法的不足,提出了基于多比特量化卡尔曼滤波算法的思路,并设计了最佳量化阈值估计器。除此以外,采用线性模型的仿真结果验证了采用最优比特量策略的多比特量化卡尔曼滤波算法的一致性。第二,讨论复杂场景下跟踪定位的关键技术。首先提出空间模型分解法对复杂大规模全局系统进行分解,降低预测估计计算复杂度,使其成为适合无线传感器网络计算的分布式子系统。同时针对系统分解带来的子系统交叠和信息共享问题,提出采用双向数据融合法对观测数据进行融合处理。其次,针对待测目标非线性的运动场景,利用扩展卡尔曼滤波方法对待测目标的非线性运动模型进行线性化近似处理,然后再利用量化卡尔曼滤波的思路对线性化后的模型进行预测估计。通过非线性模型的仿真验证了基于量化的扩展卡尔曼滤波算法的一致性,并与线性化模型的结果进行了对比。