随着互联网的发展,位置服务的应用越来越广泛。室外定位技术已经满足了社会需求,室内定位技术仍面临着挑战。本文针对室内定位技术中成本低、应用范围广、易于实现的基于位置指纹的WiFi室内定位算法进行研究。为了减小指纹采集工作量和提高WKNN算法的指纹匹配精度,提出一种基于改进高斯过程回归和卡方距离的位置指纹定位算法(ISOSGPR-CAIWKNN)。离线阶段,在定位区域内稀疏采集位置指纹数据,作为高斯过程回归(GPR)模型的训练样本;利用改进共栖生物搜索算法(ISOS)优化GPR参数,提高其泛化能力,得到ISOSGPR模型;利用ISOSGPR模型预测定位区域内其他位置的指纹数据,构成密集指纹库;在线阶段,利用卡方距离计算定位目标与指纹库中各指纹数据的距离,并在计算权重时进行AP加权,以提高指纹匹配精度和定位精度。实验结果表明,在训练样本数仅为全采集样本数的50%时,ISOSGPR模型构建的指纹库即可达到全采集指纹库的定位效果;与WKNN、CIWKNN算法相比,ISOSGPR-CAIWKNN算法的定位精度分别提高了16.6%、11.2%。为了提高指纹匹配效率和解决WKNN算法K值固定及权重非最优的问题,提出一种基于改进亲和传播聚类和权重优化的位置指纹定位算法(AIAPC-AIWKNN)。离线阶段,利用指纹位置和成对点约束扩展方法改进亲和传播聚类算法(IAPC),将定位区域划分成若干个子区域,以提高指纹匹配效率;在线阶段,为了避免位于子区域边缘的定位目标在选择所属子区域时误判,通过自适应选择法(AIAPC)确定其所属子区域;利用自适应K值选择法确定最近邻参考点,并通过Adam算法对最近邻参考点的权重进行优化。实验结果表明,在保证定位精度的情况下,AIAPC算法提高了指纹匹配效率;与WKNN、IWKNN算法相比,AIAPC-AIWKNN算法的定位精度分别提高了26.5%、8.4%。该论文有图34幅,表18个,参考文献60篇。