室内定位需求日益增加,许多物联网应用采用不同的技术提供室内定位服务。基于蓝牙接收信号强度（Received Signal Strength,RSS）的指纹定位技术因其部署成本低、普适性高以及较高的定位精度,获得了广泛的研究与应用。但在大型的动态定位环境中,RSS信号稳定性较差、离线指纹数据繁多,导致基于蓝牙技术的指纹定位系统定位精度低、计算复杂度高。为解决上述问题,对基于RSS的指纹定位方法进行改进。通过校正信号波动值,构建定位场景的分区模型和位置匹配模型,提升算法定位性能。最后,搭建基于改进定位算法的蓝牙指纹定位系统。论文主要工作及创新点如下:（1）针对大型定位场景中存在着RSS信号不稳定、算法定位效率低和定位误差大等问题,提出一种动态高斯校正的信号双尺度近邻定位算法（Two-Scale Nearest Neighbor Positioning Algorithm Under Dynamically Gaussian Correction,DGC-TSNN）。算法根据区域的物理连通性将其划分为多个子区域,采用支持向量机（Support Vector Machine,SVM）训练分区模型。通过高斯过程回归（Gaussian Process Regression,GPR）训练分区信号距离模型,校正RSS波动值。根据信号相似度和信号差异值建立信号双尺度近邻定位模型,并引入环境参数动态获取近邻K值,减小环境噪声影响。测试分析可知,较于其他算法,DGC-TSNN算法定位性能显著提升。（2）为减小信标间信号干扰以及物理分区引起的信号差异,给出一种基于一对多支持向量机（One-VS-Rest Support Vector Machine,OVRSVM）和多元高斯朴素贝叶斯模型（Multivariate Gaussian Naive Bayesian Model,MVGNB）的概率加权融合方法（Probability Weighted Fusion Method Based On OVRSVM and MVGNB,WSGM）。该方法通过改进K-Means算法对指纹数据聚类分区,构建信号分区模型,减小物理分区引起的信号差异。引入汤普森检验参考点的物理坐标,剔除分区异常点。为减小信标间信号干扰,采用MVGNB对指纹参考点建立概率分类模型,以后验概率融合OVRSVM构建定位匹配模型,提升算法定位精度。测试分析可知,较于其他算法,该算法定位稳定性与定位精度有着明显的优势。（3）论文设计并实现了基于低功耗蓝牙（Bluetooth Low Energy,BLE）的室内定位系统,包括对蓝牙信标、蓝牙网关以及移动端定位APP的实现。蓝牙信标实现区域中信号广播功能,蓝牙网关则用于不同型号设备的校准,移动端定位APP实现离线指纹采集、在线定位以及位置导航的功能。离线指纹采集功能完成对定位区域的指纹库建立,在线定位则分为设备校准和实时定位,根据线性校准规则实现不同设备的校准,以论文提出的DGC-TSNN和WSGM算法估计用户位置,位置导航服务根据用户输入位置和当前位置,规划导航路径。