随着无线网络的大规模部署和智能移动终端的迅速普及，基于位置服务(Location Based Service, LBS)已经广泛应用到社会生活和生产的各个领域，在电子商务、医疗保健、紧急救援、物流管理等方面都展示了良好的发展前景和巨大的市场空间。由于无线局域网(Wireless Local Area Networks, WLAN)系统已经部署在诸如商场、学校、医院、机场等公共场所，因此在不增加任何硬件设备的情况下，只进行软件开发即可实现对用户位置的估计，这使得WLAN定位系统成为实现室内定位导航和LBS发展的首选。然而，受限于室内复杂的电磁环境，接收信号强度(Received Signal Strength, RSS)数据具有高度不确定性，因此，传统WLAN定位系统需要采集大量RSS数据建立radio map，这使得离线阶段采集工作量巨大，限制了WLAN定位系统的大规模推广应用。众包技术将radio map的建立过程交给大量志愿者完成，对每个志愿者采集的少量RSS数据进行整合即可获得radio map。基于众包的WLAN室内定位系统有效降低了离线阶段的采集工作量，但该系统中仍然有一些关键环节有待深入研究。　　通过对基于众包的WLAN室内定位技术的深入研究和国内外研究现状的分析，目前基于众包的WLAN室内定位系统中存在以下几个问题：首先，不管是在线阶段还是离线阶段，每个用户手中的移动终端各不相同，造成严重的设备多样性问题；其次，志愿者使用的移动终端中传感器性能不同，因此无法给所有采集的RSS数据进行位置标记，带来了大量无标记数据，而传统的定位技术无法有效利用未标记数据，造成资源浪费，半监督学习算法虽然能够利用未标记数据，但传统连接图容易受噪声影响，造成定位精度的下降；最后，虽然利用众包技术可以降低离线阶段采集工作量，但每个志愿者采集的RSS数据数量较少，这使得RSS数据的波动会影响所建立radio map的精度，造成定位精度的降低。针对上述基于众包的WLAN室内定位系统中存在的问题，本文的主要研究和创新点如下：　　第一，针对基于众包的WLAN室内定位系统中设备多样性带来的RSS差异问题，本文提出了基于线性回归算法的设备多样性问题消除方法，实现了不同设备采集RSS数据的融合。由于不同设备使用的WLAN信号接收天线和芯片、信号处理算法都不相同，因此在同一时间同一地点接收的同一AP的RSS值各不相同，但不同设备采集的RSS数据之间存在线性关系，利用线性回归算法对不同设备采集的RSS数据进行处理，能够将不同设备采集的RSS数据映射到同一个数据空间，从而实现了在离线阶段建立具有一致性的radio map，在线阶段实现高精度定位。针对线性最小二乘算法对奇异点敏感的问题，本文提出了利用快速最小截平方算法计算不同设备之间的线性回归系数，从而提高了系统的抗噪声能力。利用线性回归算法可以大幅度消除不同设备之间的差异性，提高整个定位系统的定位精度。在利用线性回归算法消除设备多样性问题后，本文推导得到了radio map中各指纹的误检测概率公式，表明当某一指纹在物理空间上越靠近在线RSS数据的最近邻指纹时，其被误检测概率越高。　　第二，针对基于众包的WLAN室内定位系统中未标记点无法有效利用和半监督学习算法的连接图对噪声敏感的问题，本文提出了基于压缩感知的半监督学习WLAN室内定位算法，实现了连接图的精确重构和未标记点的有效利用，提高了定位精度。在建立radio map时，志愿者手中的终端设备不一定全部装备有传感器，有些志愿者出于个人原因会关闭某些传感器，因此很多RSS数据没有对应的位置坐标。半监督学习算法可以利用少量标记点和大量未标记点实现对设备采集RSS数据的坐标估计，不但能够降低离线阶段的采集工作量，而且能够实现对未标记数据的有效利用。通过压缩感知算法，可以实现对连接图权重矩阵的更加精确的重构，从而提高权重矩阵的鲁棒性，实现更加精确的坐标估计。　　第三，针对基于众包的WLAN室内定位系统中RSS数据波动造成radio map精度低的问题，本文提出了基于室内信号传播模型的RSS数据平滑算法，实现了radio map中奇异点的消除和RSS数据的平滑。在radio map中，不管是坐标空间还是数据空间，各指纹之间都存在一定的内在关系，并且利用信号传播模型，指纹在两个空间中的内在关系也存在映射关系。本文利用室内传播模型和相邻指纹上的RSS数据，提出基于信号传播模型的奇异点消除算法(Signal Propagation-based Outlier Reduction Technic, SPORT)，实现对每一个参考点上的RSS数据的预测，检测radio map中存在的奇异点，并进行纠正。通过半监督学习算法和压缩感知算法能够更加精确的挖掘各指纹之间的内在关系，并与室内传播模型相结合，从而实现了对radio map中各指纹上RSS数据的更加精确的估计，从而得到更加平滑的radio map。