随着无线网络的高速发展,人们对基于室内位置信息的服务需求与日俱增。而全球定位系统GPS在室内环境中信号微弱,无法提供可靠的服务。目前主流的室内定位系统包括Wi-Fi、可见光、蓝牙、UWB等,其中基于Wi Fi的室内定位因其无需特殊硬件设备且在室内环境中已广泛部署等优势成为研究热点。基于Wi-Fi的指纹式定位主要分为线下建立指纹库和在线定位两个阶段,而其中传统的线下建库无法避免耗费大量的人力物力,同时指纹库因其时效性需要维护更新会再次产生资源浪费。此时,众包模式采集指纹协助指纹库的更新成为一种有效的维护方式。通过用户被动众包的方式使后台服务器获取数量充足且来源广泛的指纹数据,进行指纹标注后利用此标注后的数据更新指纹库,从而可以减轻指纹库的维护成本,提高基于Wi Fi指纹定位的可操作性。本文对众包指纹标定方法进行研究,即如何更精准地对众包方式采集到的Wi-Fi指纹进行位置格点标注。本文对现有的基于半监督朴素贝叶斯的众包指纹标注方法进行改进,分析该方法在指纹数据离散化处理的过程中面临的信息部分损失和区间宽度参数影响过大的问题。提出将朴素贝叶斯方法中的条件概率分布由核概率密度估计取代频率直方图估计方式,利用其平滑性、连续性和无需经验性假设的特点避免以上问题。直推式半监督方式迭代更新众包指纹的标注结果直到达到收敛条件。实测数据实验结果证明本文提出的改进方法可以有效提高众包指纹标注精度。本文提出将平均教师方法(Mean Teacher)结合直推式半监督思想应用在众包指纹标注问题上。神经网络本身具有特征提取优势,教师模型不断集成不同训练阶段的学生模型参数,结合分类误差损失函数和一致性损失函数的设计构成网络训练的良性循环。同时利用直推式学习的思想将待标注数据参与到模型训练的过程中,在待标注众包指纹数据上获得最优泛化性能。针对时变性和设备异构性的众包数据,实验结果显示该方法可以有效提高指纹标注精度。本文对现有的基于相似性的指纹库更新算法进行改进,分析欧式距离衡量指纹间相似性不适用于维度失配的缺陷,提出基于深度度量学习的指纹库更新方法。实验验证改进后的指纹库更新算法的性能提升和所提众包指纹标定方法落实到指纹库更新的实际效果。