精确的室内目标位置信息成为人们日常生活中不可或缺的部分。大型商场感兴趣店铺的查找、智慧大楼访客管理以及地下停车场寻车等应用,都需要高精度的室内定位信息。由于GPS信号在室内较弱,无法正常工作,因此WiFi信号凭借其广泛部署成本低廉等绝对优势成为科研人员竞相研究的热点信号。传统的WiFi定位技术为了提高定位精度,大多采用增大天线阵列的方法,牺牲硬件来提升定位精度。而实际中,绝大多数的商用WiFi设备仅支持3根天线。若增加天线个数,必定需要对设备硬件进行修改,增加部署成本,这便丢失了使用WiFi的特有优势。因此,本文结合近年来迅速发展的深度学习和虚拟天线阵列,在不需要硬件变动的情况下,提出了一种将卷积神经网络和虚拟天线阵列相结合的DOA高精度估计方法,有效提升了基于DOA室内定位的精度。主要对以下三个部分进行研究:1、针对WiFi定位系统中多天线物理成本高、部署难的问题,提出了一个基于虚拟天线阵列和深度学习、利用DOA估计实现WiFi定位的系统框架(称为Wi-VAL)。在DOA估计的数学模型的基础上,通过公式推导理论分析DOA估计分辨率和天线阵列之间的关系,并采用“投票法”进行实验验证。最终基于该关系,提出Wi-VAL定位系统。2、为了在不增加实际天线个数的情况下,实现具有更大天线阵列数的感知效果,提出了一种基于信道脉冲响应的虚拟天线扩展方法。首先,通过研究无线信号的传播特点和室内无线信道的传输特性,建立基于OFDM调制的WiFi多子载波特性的统计性信道模型,以此生成信道脉冲响应信息。进而,使用内插变换的思想设计虚拟天线扩展所需变换矩阵,将此矩阵与信道脉冲响应相结合,获得虚拟天线阵列数据,以此进行DOA估计。最终与具有四个固定天线的原始WiFi AP相比,该方法在DOA估计方面性能明显提升。3、为了更好提升DOA估计精度,在虚拟天线阵列的基础上,引入神经网络,提出了一种卷积神经网络与虚拟天线阵列相结合的DOA估计方法,对DOA特征进行进一步学习优化提取,实现高精度Wi-VAL系统。首先将DOA估计问题转化为深度学习中的分类问题,然后构建以卷积神经网络为前端的深度学习架构,经过训练得到基于CNN的DOA估计模型CNN-DOA。我们将天线阵列的虚拟扩展后的感知矩阵,利用基于CNN的DOA估计模型进行优化,最终获得高精度DOA。最终实验表明基于CNN-DOA方法的Wi-VAL定位系统精度也得到明显提高,在走廊场景下,误差为0.65m。