随着移动互联网、物联网和智能移动终端的快速发展,人们对基于位置的服务需求越来越大,且由于人流动的随意性和所处环境的复杂性,如何在复杂环境中实现准确有效的定位具有十分重要的现实意义。由于射频指纹定位方法在复杂障碍环境中的优越性能,受到了越来越多关注,但目前已有的射频指纹定位技术还不成熟,仍存在诸多问题和挑战。本文基于国内外的研究现状,分析了已有射频指纹定位中存在的主要问题,并对基于机器学习的射频指纹定位方法进行了较为系统的研究。本课题旨在一定程度上解决现有的问题,主要涵盖了以下内容:首先,以实验为基础分析了以信号接收强度为代表的室内射频指纹的统计特性和影响因素。深入研究了影响射频指纹定位系统的一些关键因素,并挖掘这些关键因素与定位性能之间的关系,为后文算法的设计优化与实现提供了良好的理论支持。其次,针对指纹定位方法中建库工作量大且耗时长的问题,本文提出了基于机器学习的解析指纹定位方法。首先,解析指纹定位算法能够利用服务器自动生成离线指纹数据库,大大减少建库工作量,并且通过仿真验证了该算法在低信噪比下具有更好的定位性能和鲁棒性。除此之外,基于仿真对该算法的空间变异性问题进行分析,并将包括遗传算法和人工神经网络在内的机器学习算法应用在解析指纹定位方法中,有效降低了空间变异性影响,进一步提高了定位精度和定位性能。最后,本文给出了基于非线性支持向量机的接收信号强度(Received Signal Strength,RSS)指纹定位方法。该方法在RSS指纹定位过程中引入了机器学习算法,通过学习物理位置和信号空间之间的非线性关系实现定位。为了分析算法参数以及验证该定位方法,在实际室内环境中搭建了一个实验平台,并利用该实验平台完成了整个RSS指纹定位过程。实验结果表明,在保证相同定位精度的前提下,该方法可以有效减小数据库的容量、计算量和建库工作量,对室内定位的工程化应用具有重要意义。