近年来随着科学技术的发展,基于位置的服务对人们越来越重要,其中Wi-Fi在现实生活中的广泛部署和低成本,使得基于Wi-Fi的室内定位算法研究成为技术热点。然而大多基于Wi-Fi的室内定位技术的准确率受到RSSI波动性严重影响,需要定期校准或更新。这些缺点使得室内定位技术难以做出进一步的突破。针对以上问题,本文从Wi-Fi信号的不同角度出发提出了相应的基于深度学习的Wi-Fi室内定位算法。一方面,Wi-Fi信号的时间波动性导致测试集中的Wi-Fi信号和训练集中的Wi-Fi信号存在很大差异,为了在测试集和训练集存在大时间间隔情况下,室内定位算法仍然获得较高的定位准确率,本文提出了基于堆叠式去噪自编码器(Stacked Denoising Autoencoder,SDAE)和多层感知机(Multi-Layer Perceptron,MLP)的鲁棒 Wi-Fi 指纹定位算法,SDAE基于其强大的特征学习能力从原始的Wi-Fi信号中抽取鲁棒Wi-Fi特征,利用基于MLP的万能近似定理(Universal Approximation Theorem),MLP实现了 Wi-Fi特征和目标位置的回归映射。另一方面,考虑到Wi-Fi信号强度不仅随着与目标物距离的变化而变化而且随着时间而变化,本文同时考虑Wi-Fi信号的空间特性和时间特性,进一步提出了基于残差网络(Residual Network)和长短期记忆网络(Long Short-Term Memory,LSTM)的时空定位算法。该算法基于CNN强大的特征表示能力和残差单元防止网络退化的能力,利用残差网络学习Wi-Fi信号在同一时间片的空间特征,基于LSTM学习长期依赖的优势,利用LSTM学习Wi-Fi信号在不同时间片的时间特征,最后利用全连接层实现回归定位。经过大量实验,本文提出的算法表现出优异的定位效果,优于传统的室内定位技术,优于基于机器学习的Wi-Fi室内定位算法以及其他优秀的Wi-Fi室内定位论文。