近几年,蓝牙技术的飞速发展催生了各种物联网应用的落地,其中基于蓝牙的室内定位技术以设备的体积小、易实现、普适性高等特点越来越受到广泛的关注。蓝牙室内定位技术大多通过测量接收信号强度指示（received signal strength indicator,RSSI）进行测距定位,但是RSSI的不稳定性等问题会影响定位的精度。本论文立足于基于蓝牙的RSSI测距定位技术,结合蓝牙最新发展趋势,设计并实现了基于蓝牙5.0 Beacon的室内定位系统。在测量RSSI阶段,论文提出了一种加权KGMM混合滤波算法,有效地平滑了数据。在测距阶段,论文提出了一种基于深度多隐藏层神经网络的测距模型,有效地降低了测距的误差。在定位阶段,论文改进了传统的三点定位算法,提出了一种基于引导聚集和k最近邻（Bootstrap aggregating-k-Nearest Neighbor,Bagging-k NN）的n点定位算法,显著地提高了室内环境下的定位精度。论文的主要工作如下:（1）简单介绍了低功耗蓝牙5.0与蓝牙Beacon技术原理,并讨论了常用的信号衰减模型,在此基础上对现有的蓝牙室内定位技术进行了详细地对比介绍。（2）改进了测量RSSI阶段的滤波算法与测距阶段的测距模型,提出了基于RSSI的融合加权混合滤波和神经网络的测距方法。首先针对RSSI采样值波动和不稳定等问题对数据进行各种滤波处理并进行对比实验,提出了一种改进的KGMM混合滤波算法。接着引入了机器学习算法中的深度多隐藏层神经网络来构建RSSI和锚节点到信号接收器距离的非线性映射关系。实验结果表明,该测距方法能够有效地降低室内测距误差。（3）针对定位阶段的定位算法,提出了基于Bagging-k NN的n点定位算法。首先研究了传统的三点定位算法,并针对该算法的不足进行了优化,提出了基于距离加权k最近邻（k-Nearest Neighbor,k NN）的n点定位算法并进行实验分析。然后提出了基于Bagging-k NN的n点定位算法,将机器学习算法中的引导聚集（Bootstrap aggregating,Bagging）算法与k NN分类算法相结合,以提升定位的精度。实验结果表明,该算法定位的平均定位误差约为7.35cm,具有较高的稳定性和精确性。（4）搭建了基于Beacon技术的室内定位系统,验证了提出的混合滤波算法、测距方法与定位算法在实际生产环境中落地的可行性。系统包括基于蓝牙5.0射频芯片的蓝牙Beacon锚节点、IOS系统的移动客户端和上位机。Beacon锚节点利用Code Composer Studio（CCS）集成开发环境实现了Beacon广播的功能;移动客户端利用Xcode开发了IOS客户端APP,实现了检测蓝牙信号、RSSI信号的实时采集和处理等功能;上位机主要完成了对数据的滤波处理、测距以及定位算法模块的实现。该系统可以提供较为准确的定位功能并将定位结果展示出来,能够满足大多数室内定位场景的需求。