随着现代化城市中大型室内空间如大型商场、地下停车场、医院、地下商圈等场所的不断增加,人们在出行活动中越来越多集中在这些大型室内空间。在这些室内空间中人们需要知道自身的位置信息,进而根据自身需求规划出行路线。由于GPS(Global Positioning System)技术受墙壁等遮蔽物的影响,无法对室内进行定位,因此国内外多家科研机构开始发展室内定位技术。室内定位技术是一种借助UWB(Ultra Wideband)、WiFi(Wireless Fidelity)、超声波和激光等不同信号作为基础的新型技术。根据目前大型室内空间中已存在的WiFi信号,采用以WiFi信号为基础的室内定位技术能减少设备的增加,同时可利用已有的移动终端—手机作为定位终端使用,为WiFi信号的使用开辟了新的方向。本文调研了国内外室内定位技术研究的现状,针对目前室内定位技术中基于位置指纹的WiFi定位方法存在的问题,提出了对传统指纹库进行MAC(Media Access Control)物理地址分类和RSSI(Received Signal Strength Indication)信号强度聚类的新型指纹库建立方案。利用WiFi信号在空间中的衰减模型,确定MAC分类的区域空间范围,解决了因WiFi信号跳变给定位带来的误差。对建立的区域指纹库,引进K-mean聚类算法,将区域指纹库进一步细分为K个聚类子集,信号强度相似的WiFi信号归为一个聚类子集。为了优化聚类子集中的WiFi信号,利用邻域均值滤波的方法将聚类子集中的噪声信号滤除。细分后的指纹库进一步降低了在计算定位距离时,因选择的定位指纹点的不同带来的误差。针对指纹库匹配得到的近邻指纹点,本文采用WKNN(Weighted K-nearest Neighbor)方法将提取的近邻指纹点的坐标信息,进行加权计算估算出定位坐标。通过对不同指纹库的实验仿真分析,验证了聚类指纹库对于提高定位精度的有效性。本论文最后以Android系统为平台,搭建了实时定位系统。通过在实际环境中对不同Android手机进行实时定位的实验,检验了聚类指纹库对室内定位聚类的有效性。