随着可移动计算终端及无线技术的发展,定位导航系统受到越来越多研究人员的关注,其应用也越来越广泛。在室外,可以利用卫星信号进行定位导航;在室内,由于可见卫星数目不足,卫星定位导航方法并不适用于室内。近年来,多种基于不同方式的室内定位系统被提出,包括基于红外线、超声波、以及射频等信号的室内定位系统。基于WLAN的室内定位系统(WLAN based Indoor Localization System,WILS)利用已有的无线局域网的基础设施来完成室内定位系统的构建,不需要增加硬件设备,因此受到许多研究人员的重视。针对基于WLAN的室内定位系统中存在的Radio Map建立效率低、工作量大、RSS与Radio Map处理及定位算法的多样性等问题,本文提出以流形对齐为核心的Radio Map快速建立及WLAN室内定位方法:直接映射定位(DML)及基于重建Radio Map的KNN算法(re KNN)。本文介绍了典型的WILS的用户端、无线接入点及定位服务器等三个核心层次及其系统工作流程,并对确定型及概率型位置指纹定位算法进行了详细分析;本文详细介绍了位置指纹数据库的建立方式及其无线电地图(Radio Map)的组成,并采用了OPPO T29、Google Nexus5、Samsung Note II及联想V450笔记本电脑等四种移动终端对部署在哈尔滨工业大学通信技术研究所内两个WLAN室内定位系统(HIT-WILS10、HIT-WILS12)进行了数据采集。为了提高位置指纹定位方法的实时性能及其对不同实验环境的适应性,本文提出了基于仿射聚类(AP)方法的位置指纹定位方法(AP-KNN),并以HITWILS12所在走廊实验区域的实测数据进行了性能测试。仿真结果表明,APKNN可以不仅可以在单次采样Radio Map时有效地保持KNN的定位性能,同时也可以适应不同重采样次数的Radio Map。AP-KNN在3米及4米内定位精度达到了83%及93%。本文分析了流形理论的基本概念及典型的流形学习方法,并对流形学习中的耦合度量学习进行了详细地分析;然后从基于相关关系的耦合度量学习及基于Fisher准则的耦合度量学习出发,推导了统一耦合度量学习(UCML)方法。在此基础上,本文提出了基于UCML的流形对齐方法(UCML-MA)及基于流形对齐的超分辨率分析(SRA-MA)算法。在UCML-MA及SRA-MA的理论基础上,本文提出了基于流形对齐的WLAN室内定位系统的总体方案,包括基于流形对齐Radio Map建立及WLAN室内定位模块。本文基于SRA-MA算法提出了Radio Map超分辨率重建方法,即从稀疏Radio Map实现高采样分辨率Radio Map建立,从而实现Radio Map快速建立。同时,基于UCML-MA方法提出了两种WLAN室内定位方法:DML及re KNN算法。通过采用四种不同终端对HIT-WILS10/12系统的实测及性能仿真结果表明,本文提出的Radio Map建立方法及DML、re KNN可以有效地解决了Radio Map建立效率低、RSS、Radio Map及定位方法多样等问题,并实现Radio Map建立与WLAN室内定位方法的统一。仿真结果表明:随着Radio Map的重采样次数的增加,KNN算法的整体性能的影响无明显变化,而对于DML及re KNN算法,随着重采样次数的增加,其3米及4米内定位精度均有5%左右的提升,分别从55%及75%提升至60%及80%,达到与KNN算法定位性能一致。从等分辨率及超分辨率的整体定位结果来看,基于SRA-MA的Radio Map重建方法可以有效地降低Radio Map建立的工作量的同时,维持不同算法的定位性能。仿真结果表明,采用的SRA-MA算法的Radio Map重建方法可以在至少降低一半Radio Map建立工作量的前提下,保持WLAN室内定位系统的性能不变,并可以在一定程度上提升定位精度。Radio Map建立的效率的提高幅度最高可达16倍,即采样分辨率从0.25提升至4,而WLAN室内定位系统的性能与原系统可比拟。