随着日益增长的室内位置服务需求,基于图像的室内定位成为目前研究热点。随着机器学习的发展,图像室内定位可以转化为基于机器学习的理论模型求解。本文开展了基于图像和机器学习的室内定位关键技术研究。论文主要工作包括:（1）提出基于图像相似度和反向传播神经网络（BPNN）回归学习的定位算法。离线阶段,计算采集点图像与参考点图像之间的三种图像相似度（结构相似度、直方图相似度和余弦相似度）和相对距离作为训练数据指纹和标签。利用BPNN进行回归学习,得到距离回归函数。在线阶段,计算接收图像与参考图像之间的相似度,通过距离回归函数估计距离。实验结果表明,该算法比现有算法具有更好的定位性能。（2）在采集图像缺失下,提出基于Pix2Pix图像转换策略的多图像定位方法。离线阶段,首先利用pix2pix网络对缺失的图像进行补充。然后对多图像进行拼接来制作分类训练的数据集,最后利用卷积神经网络（CNN）进行分类学习,获得基于位置的分类函数。在线阶段利用基于位置的分类函数实现定位。Pix2Pix网络基于条件生成对抗网络并使用L1距离和对抗性损失的组合,所以能够使得生成图像与源图像尽量接近。实验表明,所提算法能够有效解决图像信息缺失的问题,从而获得更好的定位性能。（3）在图像缺失下,提出基于Embrace Net多模态融合的多图像定位方法。离线阶段,首先利用CNN对获取的图像进行特征提取,然后利用Embrace Net进行图像特征融合,最后利用CNN的Soft Max层进行分类学习,得到位置分类函数。在线阶段利用基于位置的分类函数实现定位。在Embrace Net融合模型中,由于缺失某个图像模态而丢失的信息可以被其他模态所覆盖,因此能够确保数据丢失情况的下的定位性能的稳健性。实验结果表明,所提算法在图像缺失下仍能获得好的定位性能。