随着智能终端和移动互联网的普及,世界已经进入智能制造和数字消费的时代。基于位置的服务已经渗透到人们生活的方方面面,在餐饮、物流、零售、制造、医疗、安防等行业有着广泛的应用前景。由于现代建筑的空间越来越大和结构越来越复杂,人们在室内所处的时间也越来越长。室内定位需求的增长使得室内定位成为定位技术研究的一个热点。基于CSI的分区指纹定位过程同已有指纹定位一样包含离线和在线两个阶段。离线阶段的第一个任务采集参考点的CSI指纹数据,建立完整的指纹数据库。直接采集的CSI数据由于受到外部因素的干扰,经常会出现异常点、丢包和波形不稳定的情况,因此在构建指纹库时需要对其进行预处理,以提高指纹的稳定性。Hampel函数用于检测异常点,检测到的异常点会被删除并在删除后插入适当的值,数据包丢失时采用均值法恢复,波形不稳定时采用卡尔曼滤波法来平滑波形,最后使用经过预处理的CSI数据构建整体指纹库。然后训练分类模型,区分由于固定障碍物造成LOS区域和NLOS区域下的待定点。对于每个CSI接收端,在其LOS区域和NLOS区域分别采集CSI数据并标记,利用已标记的CSI数据对分类模型进行训练。在线阶段,系统对于发射端的定位请求,先使用训练好的分类模型判断发射端相对于每个接收端的区域范围,再根据区域范围得到区域内的参考点指纹集合。将发射端相对于每个接收端参考点的指纹集合取交集得到新的参考点指纹集合,这个新的参考点的集合构成当前发射端的临时指纹库,在临时指纹库中应用KWNN算法计算发射端的位置坐标。实验表明,基于神经网络和SVM的分类算法区分待定点区域范围优于KNN算法。分区+KWNN的指纹匹配算法在平均定位误差和中值定位误差上均小于KWNN算法及K-Means+WKNN算法。