无线局域网(Wireless Local Area Networks,WLAN)室内定位技术由于具有低成本、高精度、扩展性强等优势而成为近年来的研究热点。一般的WLAN室内定位技术由于需要待定位目标携带信号收发设备才能够对目标的位置进行解算,使得其在待定位目标不能携带设备或不愿主动参与定位过程的一些特别场合无法对目标进行定位。因此,如何在此情况下也能利用现有WLAN网络对目标实现定位成为室内定位的另一大研究热点。WLAN无设备被动定位技术在目标不携带任何收发装置的情况下,仍然可对待定位目标进行定位。该技术以某种WLAN信号或信道参数为载体,通过发掘目标位置信息与目标对信号传播造成影响的相关性从而实现目标的定位。现有的大多数被动定位技术以接收信号强度指示(Received Signal Strength Indication,RSSI)作为衡量目标对信号影响的参数,而RSSI本身具有的稳定性差,承载信息的能力差的缺点,使被动定位难以满足高精度和高稳定性的要求。同时,室内复杂的多径效应极大地干扰了目标位置与信号特征量的关联特性,给目标位置的准确求解带来了挑战。本文针对上述问题,以信道状态信息(Channel State Information,CSI)的优质特性为契机,借助正交频分复用技术(Orthogonal Frequency Division Multiplexing,OFDM)的并行子载波机制抑制环境干扰后,通过概率神经网络(Probabilistic Neural Network,PNN)充分挖掘目标位置与特征参数的相关性,从而在WLAN环境下实现目标的被动定位。基于此,本文主要研究内容包括:1.为了准确检测未知目标的出现,首先开展未知目标的出现对CSI幅值的影响的探究,继而发掘出CSI在有无目标状态之间的差异性。之后,通过合理的特征提取,在非参数估计方法基础上实现了未知目标的准确检测。2.为了减小多径衰落对目标位置估计的干扰,借助于OFDM不同载波频率的并行信道,利用子信道上不同的衰落特性对OFDM的子信道进行筛选,从而提出了能够有效抑制环境干扰的数据预处理机制。3.为了准确构造特征量与目标位置的映射模型,引入模式识别方法解决信号特征量与目标位置复杂的映射问题。由于不同的多径分布会改变预处理后特征量的维度,导致离线阶段需要训练多个位置映射模型,而PNN的快速训练方法避免了算法处理的复杂性。同时,启发式搜索算法可对PNN的参数进行优化,提高了算法的定位精度和环境的普适性。