精确的室内定位信息,对可用空间和库存物资实现高效的管理;能导航警察,消防人员,士兵,医务工作人员完成特定的室内任务;同时智能空间、普适计算、服务发现都离不开位置服务,因此室内定位具有广阔的应用前景,是当前研究的热点。本论文首先分析了室内定位与跟踪系统研究现状,指出了当前室内定位系统的存在问题。针对移动定位中NLOS和多径传播的影响,将节点定位嵌入到机器学习框架内。通过提取节点的射频特征,通过核学习建立射频特征与节点位置的关系来实现节点定位,由于这种方法中TOA、RSSI仅为特征,不作为精确的距离估计,因此能够显著降低非视距传输对定位误差的不良影响。然后分析了当前回归算法的不足,提出了基于可行域解析中心的非线性回归算法,它克服了支撑向量回归由于它对应可行域的Chebyshev中心而造成当可行域不对称或狭长时其泛化性能降低的不足。从理论上分析了该回归算法与最大似然参数估计之间的关系,给出了它的迭代步骤,并将此回归算法室内节点定位。在实际移动跟踪问题中,噪声不满足高斯噪声模型,因此卡尔曼滤波算法的移动跟踪难以达到要求的精度。尽管粒子滤波对噪声没有过多的限制,但粒子滤波算法的计算量很大,且在迭代过程中会出现粒子退化现象。同时实际应用中,获得噪声统计信息或建模噪声都是非常困难的。为此,提出了一种基于博弈论的移动位置跟踪算法,算法将噪声建模为博弈对手,博弈对手生成的噪声序列包含随机噪声与确定性的估计误差两个部分。通过微分博弈理论,求解博弈目标函数的鞍点进行移动跟踪。仿真实验表明,相对于卡尔曼滤波与粒子滤波算法,基于博弈论的移动位置跟踪算法的性能有明显的改善。