随着WiFi这一基础设施的普及以及当前生产生活对室内位置服务需求的日益渐增,基于WiFi的室内定位技术成为众多定位研究者的关注热点。其中基于WiFi的RSSI指纹的定位方法成为最常见的用于解决室内定位问题的研究方案,然而WiFi的RSSI在环境中容易受到各种干扰,当前许多研究人员对短期内的干扰提出了较多的解决方法也取得了较好的效果,然而在长期环境中随着时变的因素而使得RSSI在不同时间点具有不同的衰减特性。目前,机器学习因其具有出色的非线性特征学习能力使得其在室内定位中受到广泛应用,但是依然需要更好的算法提升对室内空间RSSI数据非线性特征的学习能力。在当前的深度学习模型中,卷积神经网络应用广泛且性能良好,尤其体现在图像识别应用上。因此,本文基于卷积神经网络与WiFi指纹结合的室内定位算法进行相关研究,本文所做工作如下:一、首先,本文搭建了一个基础的WiFi信号采集平台用于研究室内环境因素对RSSI的影响。其次,为了研究长时间中RSSI在室内环境中的表达特性,本文通过在实际环境中进行了长时的RSSI指纹数据采集,并且对采集的数据的分布特性进行了分析。由分析可知,WiFi的RSSI在室内环境中除了在短期内容易出现干扰的同时在长时间的环境中也有不同的特性表现。这些因素造成RSSI指纹多噪时变以及非线性的特点。二、本文分析了CNN在图像识别中的特点以及CNN的较强的抗噪能力,搭建了CNN定位模型。首先分析研究了将WiFi信息转为图像信息的解决方法,该方法通过将WiFi的RSSI指纹信息转化为图像信息,这样不仅利用了WiFi的RSSI信息,同时也利用到了AP在指纹图像中的位置关系特征进行基于CNN的室内定位方法研究。最后通过对室内定位中的标准数据集以及实际环境中采集的数据集进行了实验验证,实验表明所采用方法具有可行性的同时也具有更好的定位效果。三、针对RSSI在长时环境中不同时间段具有不同表现的这一特点,导致RSSI指纹地图不能很好的表达出随时间变化了的室内环境特征,提出了一种基于混合指纹地图的指纹构建方法。该方法首先分析了时变中RSSI的表现特点建立比率指纹,将比率指纹加入到传统的RSSI指纹数据中以构建混合指纹地图,这样构建的混合指纹地图能增强传统RSSI指纹地图对室内环境变化特征的表达,最后通过CNN室内定位模型实现室内定位。最后本文进行了实验验证,实验表明所提的基于CNN以及混合指纹地图的定位方法能有效的提升定位准确率,同时混合指纹地图在KNN以及SVM定位算法上的定位效果也有所提升。