煤炭是我国主要的能源,保障煤矿安全生产一直是国家关注的重点,井下人员定位系统在提高煤矿安全生产水平过程中发挥着重要作用。基于接收信号强度的指纹定位方法因其易实现性,成为井下定位技术发展的主要方向。然而信号强度易受环境干扰,定位精度不高,无法满足未来井下应用的精度需求。因此,研究井下高精度指纹定位方法具有十分重要的理论价值和实际意义。当前井下指纹定位面临三个主要问题:(1)缺少用于生成高精度指纹的特征;(2)缺少适用于无线接入点带状稀疏分布的指纹;(3)单个指纹对位置描述不准确。本文针对以上问题开展研究工作。(1)研究影响井下指纹定位的因素,验证接收信号强度不适用于生成高精度指纹。通过研究信道状态信息与传输路径的关系,提出了基于信道状态信息的路径传输模型,为将信道状态信息用于构造指纹提供理论支撑。通过与接收信号强度进行对比验证了信道状态信息具备细粒度特性,可以从幅度和相位两个维度描绘不同位置的差异性,更适合用于井下高精度指纹定位。(2)信道状态信息由幅度和相位两部分组成。针对幅度指纹构造,首先分析幅度噪声来源,提出使用多种滤波器来抑制噪声对幅度的干扰,然后结合多天线特性,生成幅度指纹;针对相位指纹构造,分析造成相位测量误差的因素,提出一种线性变换算法对相位误差进行处理,然后通过研究传输路径与信道状态信息相位的关系,建立由子载波相位构造成的汉克尔矩阵,最后通过利用范德蒙德矩阵分解方法分解汉克尔矩阵进而得到路径相位,将得到的路径相位生成相位指纹。分别在井下视距和非视距和场景中进行实验,实验结果表明基于信道状态信息的指纹定位方法的平均定位误差要比基于接收信号强度指纹定位方法降低约55%。(3)为了进一步提高指纹定位精度,研究指纹定位中离线训练阶段网格划分对定位精度的影响,综合模糊C均值聚类(Fuzzy C-means,FCM)算法和线性判别分析(Linear Discriminant Analysis,LDA)算法的优点,并利用量子遗传算法快速准确的寻优特性,提出一种基于量子遗传算法的模糊LDA指纹融合方法,利用量子遗传算法寻找最优的模糊因子实现对指纹特征波动的抑制。实验结果表明该方法能够有助于细化网格,平均定位误差相对于处理前指纹下降约20%。(4)传统指纹定位方法中都是使用单个指纹对位置进行描述,由于指纹是时变的,单个指纹不能准确表示出位置和指纹特征的关系,因此针对单个指纹对位置描述不准确问题,提出将单个指纹变成序列指纹对位置进行描述,并借助深度学习网络,提出了一种针对可变长度序列的时差长短期记忆网络的序列指纹匹配方法,实验结果表明,在视距场景中,序列指纹的平均定位误差为1.48米,相比于单个指纹定位方法平均误差约降低25%,相比于基于接收信号强度的指纹定位方法平均误差下降约72%;在非视距场景中,序列指纹的平均定位误差为1.71米,相比于单个指纹定位方法平均误差约降低28%,相比于基于接收信号强度的指纹定位方法平均误差下降约71%。该论文有图89幅,表24个,参考文献147篇。