随着基于位置的服务(Location Based Service,LBS)的快速发展,仅靠室外场景的精确定位已经不能满足人们口常的生产以及生活需求,室内场景的精准定位成为亟待解决的问题。在室内定位的诸多方法中,指纹定位凭借其简单易实现性和较高的定位精度成为室内定位中广泛应用的方法之一。指纹定位根据信号强度指示(Received Signal Strength Indication,RSSI)在不同的位置具有唯一性的特征,将RSSI作为唯一区分一个位置的指纹。考虑到现有的指纹定位环境自适应性较差,无法动态更新指纹库并增量学习新的指纹数据,本文重点研究了动态指纹定位算法框架(Dynamic Fingerprint Localization Algorithm Frame,DFLAF),主要工作如下:首先,本文采用Zigbee技术构建了指纹数据采集系统,并引入移动节点实时采集位置信息和对应的RSSI向量,构建了动态指纹库。传统指纹定位的数据库往往是一次性采集所有数据,且不再对环境中的数据进行更新;本文所构建的数据库利用移动节点定期采集新的指纹数据,对原有指纹库进行更新和扩充,使得指纹数据库总是与当前环境保持高度一致性。其次,本文基于卡尔曼滤波(Kalman Filter,KF)和自组织神经网络(Self-Organizing Incremental Neural Network,SOINN)算法,实现了动态聚类。卡尔曼滤波算法的主要任务是完成新旧指纹的融合,即当前位置如有若干条新旧数据同时存在,则利用该算法融合成一条指纹数据;自组织神经网络具有良好的在线性、增量性和空间邻近性,能够在保持原有训练结果的基础上增量地训练新数据,并通过拓扑表示将空间上相邻的点聚在一起,因此特别适合作为指纹定位的聚类算法。最后,为了进一步提高指纹定位在线阶段的定位准确度,本文根据核密度回归算法(Kernel Density Regression,KDR)对径向基神经网络(Radial Basis Function,RBF)进行了改进,提出了新的RBF权重获取方法。实验表明,该方法比采用最小二乘法获取权重具有更好的定位精度。大量的对比实验表明,本文所提出动态定位算法框架DFLAF具有较好的实用性。一方面,该算法框架能够动态处理指纹数据,降低了新增数据的训练时间;另一方面,与原有指纹定位算法相比,该方法维持了较好的定位精度,并有一定程度的精度提升。