伴随无线传感技术及移动互联网技术的高速发展,基于位置感知的信息服务日益受到人们的关注,在室内导航、安全监控和信息传递等领域显示出无穷的活力。其中,恰当的定位传感器及精确、稳定的定位算法是实现整个室内位置信息服务的前提及关键。然而,现有的室内定位技术由于系统使用成本、定位传感器应用便携性和数据存储能力及算法稳定性等方面的限制,制约了位置感知信息服务的普及应用。基于射频识别(Radio Frequency Identification,RFID)技术和机器学习的室内定位算法由于定位系统成本低、使用方便和定位算法稳定性较好等诸多优点,为位置感知服务领域开辟了新的道路。本文针对RFID通信系统的误码率以及在位置感知服务中的应用进行了研究。首先,针对超高频(Ultra High Frequency,UHF)RFID系统通信中的误码率问题,提出了 一种将卷积码引入到UHF RFID通信编码中以降低其通信误码率的解决方案;另一方面,针对目前室内定位精确、算法运行稳定性等方面存在的问题,将智能机器学习和启发式算法融入到室内定位中,并提出了相应的优化方案;最后,通过算法性能的比较及实验分析,证明了所提出方案的可行性及优越性。论文的主要工作和创新点如下:(1)从提高UHF RFID系统通信可靠性的角度分析了数据传输误码率的问题,并提出了一种降低UHF RFID通信误码率的方法。鉴于UHF RFID系统远距离通信时易受到干扰,降低了系统的可靠性,本文将卷积码引入到系统的通信编码中,并构建了 UHF RFID信道编码抗干扰能力的仿真模型。仿真结果表明,在UHF RFID通信编码中引入卷积码能够降低系统的误码率,提高通信实时性,且(2,1,7)卷积码较适合应用到UHF RFID通信纠错编码中。(2)结合机器学习理论,提出了一种基于支持向量机(SVM)的RFID室内定位算法。针对提高室内定位的精确度和算法运行的稳定性等当前研究的重点,本文将SVM算法融入到室内定位中,建立了基于SVM的RFID室内位置预测模型,通过利用阅读器和电子标签间的信号强度(RSSI)值并结合已构建的定位模型来预测目标标签的位置。实验结果表明,同目前常用的一些定位方法相比,本文所提出的方法定位精度更高,算法运行更稳定。(3)根据启发式算法的思想,提出了一种基于粒子群(PSO)优化SVM的RFID室内定位算法。鉴于在SVM定位算法中,SVM的模型参数直接影响算法的定位精度,而最佳的模型参数组合能进一步提高定位算法的性能。因此,本文提出将启发式算法融入到机器学习定位算法中,即利用具有优越寻优能力的PSO算法来获取最佳的SVM定位模型参数,并构建了基于PSO优化SVM(PSO-SVM)的RFID位置预测模型。实验结果表明,PSO算法能够获得最佳的定位模型参数,进一步提高算法的定位精度和稳定性。