移动互联网已经深入我们的生活,为我们提供了各种基于位置的服务,但传统的卫星导航只能在室外环境提供可靠的服务,而人们一天中绝大部分的时间都在室内环境中度过,使得市场上对于提供可靠、精确、低成本的室内定位服务的需求持续增长。自然环境中充斥着各种各样的声音,我们可以随时随地获取这些包含丰富信息的声音,而从不同场景或不同区域获取的声音,其相同类型的声学特征或声学指纹之间必定存在一定差异,通过计算机分析声学指纹,可以确定声音的来源。利用这一特点,计算机能够在没有任何基础设施的条件下实现定位功能。在本文撰写之前,前人已经对基于声学指纹的室内定位方案进行了许多研究,但这些研究在实际的应用中依旧存在一些问题有待解决:从室内环境背景声提取的声学指纹数据冗余度高,占用大量的计算机资源,以及声学指纹数据库的更新要求进行费时费力的人工现场勘测,导致系统成本高昂。本文针对上述问题,做出了以下工作与贡献:（1）对三种声学指纹Sonogram、Spectrogram以及MFCC的提取方法进行研究,然后在现实环境中多个室内区域采集环境背景声数据,提取Sonogram和Spectrogram,MFCC这三种声学指纹,并两两组成声学指纹组合,分别用于构建声学指纹数据库,最后再通过KNN进行分类实验,测试几种声学指纹组合对房间中子区域的表征能力,实验结果表明Sonogram和Spectrogram两种指纹组合的表征能力最强。（2）对主成分分析法（Principal Component Analysis,PCA）的理论进行了研究和推导,并通过主成分分析法改进Sonogram和Spectrogram这两种声学指纹,去除了这两种特征矩阵中的冗余数据,获得了改良的声学指纹PCA-Sonogram和PCA-Spectrogram。最后通过实验比较了KNN对原始指纹组合与改进后的声学指纹组合的识别准确率,实验结果表明改进后的指纹组合的表征能力更强,使分类器的平均识别准确率最多提升了约12%。（3）研究了BP神经网络和RBF神经网络两种机器学习模型的算法原理,尝试通过机器学习模型生成部分指纹数据以减轻指纹数据库更新的工作量。实验中使用PCA-Sonogram和PCA-Spectrogram两种声学指纹训练机器学习模型,实验结果显示RBF神经网络生成的指纹数据更接近真实数据。最后,对比了完全使用真实指纹数据构成数据库,以及使用部分真实数据加上RBF模型生成的数据构建指纹数据库这两种情况下KNN分类器的分类结果,结果显示后者的分类准确度非常接近前者,即在提高了指纹数据库更新效率的同时保证了指纹数据库的精度。