随着智能终端的手持化和无线网络的广泛覆盖,室内外基于位置服务的需求呈现出增加与快速发展的趋势,并日趋广泛的应用在抢险救援、医疗服务、旅游定位导航和监控等领域,展示出良好的市场前景。为位置服务提供精确与实时的位置信息需求,将定位技术与提供的服务二者紧密联系在一起。基于指纹匹配的无线局域网(Wireless Local Area Network,WLAN)室内定位技术,在利用现有的网络硬件设施基础上,通过各种便携式的移动终端,以纯软件的方式即可实现定位过程,成为近年来室内定位技术领域的研究热点。然而,室内传播环境的复杂多变,会导致RSS信号具有严重的时变性,使得信号与物理位置空间的映射关系不是唯一对应的,严重影响了定位的精确度,给室内基于指纹匹配的定位技术带来了诸多问题,也对广大研究人员提出了更多的挑战。本文对基于指纹匹配的WLAN定位系统的关键技术进行了深入研究,分析了影响定位性能的主要因素。针对指纹匹配算法关键环节存在的不足,围绕降低RSS信号时变特性的影响、减少定位计算的复杂度、实现定位系统的有效性与可靠性平衡为主要目标。充分利用便于采集的未标记样本数据,采用半监督的流形学习、聚类分析、及数据挖掘理论,一定程度上改善了基于指纹匹配的WLAN定位技术。研究的主要内容与创新点可归纳为以下几个方面:第一,对典型的室内定位系统进行了比较与分析,重点对定位原理,构建成本、定位精度和适用的场景几个方面进行了详细介绍,并在此基础上,对基于WLAN的位置指纹定位技术进行了深入研究。分别讨论了指纹采集与位置解算两个阶段的关键技术,总结指纹匹配算法、聚类分析、特征提取和指纹数据更新等环节的研究现状与存在问题,对部分算法进行了详细介绍与研究,为后续算法的改进提供理论基础。第二,信号维数的约减与定位特征提取算法的研究。针对密集布设的无线接入点网络环境条件下,直接利用接收的RSS信号作为定位算法的输入,容易带来定位信息冗余与噪声干扰,直接影响定位性能,提出了基于半监督的降维与特征提取(Semi-supervised Dimensionality Reduction and Feature Extraction,SDE)定位算法。用以挖掘高维数据空间存在的低维流形结构,实现高维空间RSS信号的低维嵌入,在保持其判别能力的前提下提高信号的可信度,有效的提高了系统定位精度。所提算法利用了移动用户志愿者采集的随机样本数据,通过半监督学习即可提取具有最大判别能力的低维定位特征,不仅算法的复杂度低,而且减少了在线定位匹配的计算量,从而降低用户终端的定位能耗。第三,减少RSS信号位置解算搜索空间算法的研究。室内定位技术中,离线阶段构建的指纹数据库中参考点数目及RSS信号的维数,是影响指纹匹配算法搜索区域的主要参数。为此,可以采用聚类分块算法,将定位区域全部的参考点划分为若干子区域,在各个子区域建立特征提取学习模型。鉴于已有的聚类分块算法存在分类准确度不高、无法克服信号非线性和时变性的不足,提出了结合c均值的半监督仿射传播聚类(Semi-supervised Affinity Propagation Clustering,SAPC)算法。该算法通过已知的标签数据调整相似度矩阵,然后在新得到的矩阵上进行聚类分析,最后对聚类结果进行调整。相比其它算法而言,所提算法提高了分类的正确性,更好地平衡了定位精度与计算复杂度的关系。第四,指纹数据库的重建与更新算法的研究。围绕指纹数据库的静态特性给定位结果带来的较大误差,提出了基于移动用户运动轨迹模型的指纹更新算法。通过建立基于用户位置的隐马尔可夫模型(Hidden Markov Model,HMM),将实时接收的RSS信号作为观察序列,其后隐藏的相关位置信息可通过对HMM参数求解获得,进而实现对指纹数据的实时更新。所提算法有效的减少了指纹数据库的重建与更新而带来的劳动力消耗,有利于室内定位系统的大规模推广和应用。与采用静态指纹数据库的定位算法相比,更新后的指纹数据能够更好的克服环境变化导致的信号波动,提高系统的定位精度与稳健性。