近些年来,随着移动互联网的迅猛发展以及智能移动终端的广泛普及,基于位置的服务受到越来越多的关注。但受限于室内障碍物较多,空间较为狭小等特点,传统的室外定位算法无法应用于室内定位。目前,基于WIFI系统的指纹法室内定位技术以其部署成本低、组网灵活、易于实现、便于扩展等特点逐渐成为研究的热点。基于WIFI的指纹法室内定位通常选择在定位点上接收到的各个接入点(Access Point,AP)的接收信号强度指示(Received Signal Strength Indicator,RSSI)作为定位的特征指纹,利用RSSI与地理位置之间特殊的映射关系实现定位。然而RSSI容易受到多径、衰减和环境变化的影响,从而导致信号强度测量数据难以构建一个可信的模型,这是提高室内定位精度所面临的主要挑战,需要利用不断发展的新技术加以改进。为此,本文通过对相关文献的查阅,将数据挖掘理论引入到室内定位中,结合实地的数据采集和分析,进行了如下的研究工作:(1)为分析RSSI作为定位特征指纹所表现出来的特性,在WIFI网络环境中实地采集RSSI样本,采用理论与实验相结合的方法,对环境中各个AP的RSSI进行验证。发现WIFI网络中不同AP所发送信号的RSSI具有不确定性和重复性,为了准确描绘RSSI与地理位置之间的关系,需要尽可能多的收集不同AP的RSSI,这会导致定位算法计算量的增加。此外,在室内环境中,为了保证WIFI网络的覆盖和数据传输质量,往往会重复部署很多AP,这些AP之间的RSSI具有很高的重复性。为此,本文提出一种基于主成分分析的指纹降维算法,该算法利用特征空间基变换的原理,将原始高维指纹数据映射到低维,在降低数据维度的同时,去除了不同AP间的冗余信息。经验证,该算法降低了算法复杂度,提高了定位效率。(2)为了提高定位算法的精度,本文提出了一种基于k层网格参数寻优的支持向量回归定位模型。针对RSSI的非线性特征,目前的解决方法是使用基于核函数的支持向量机来构建定位模型。但是支持向量机的定位效果受参数的影响较大,传统的参数寻优算法效率低,耗时大。为此,通过分析传统算法效率不佳的原因,采用分层的思想,在不同参数区间选择不同的搜索步长。经验证,本文提出的k层网格参数寻优算法在计算效率上取得了显著地提升。(3)最后,本文将指纹降维算法和最优参数的支持向量回归定位模型相结合。使用实地采集的数据进行算法仿真。实验结果证明,相较于其他基于数据挖掘的定位算法如传统支持向量机定位算法、KNN定位算法、神经网络算法,本文提出的算法在定位精度方面,表现出优越的性能。