室内位置服务在人们的日常生活中起着重要作用。户外广泛使用的卫星定位系统的信号强度会因为建筑物的阻挡而大大降低,因此不适用于室内。目前WiFi设备廉价实用、部署广泛,基于WiFi的无线定位受到了广泛关注。基于WiFi的室内无源定位是指用户无需携带任何电子设备,即可实现对用户的定位,相比于需要用户携带电子设备的有源定位,无源被动定位的成本和便捷性都有极大优势。本文基于信道状态信息(CSI)研究室内无源定位。该领域的很多研究都假设CSI指纹的分布随着时间推移而保持稳定,但是这种假设并不成立,因为WiFi信号容易受到家具变化、设备位置变化等环境因素的影响,使得原来训练好的无源定位系统失效,导致人们不得不重新花费大量的时间和人力来重新训练定位系统,这种非常低效的工作方式阻碍了WiFi的广泛应用。本文试图研究如何使室内无源定位系统以最小的代价应对室内环境的变化。本文首先改进了无源被动定位系统,包括从RSSI、CSI幅值以及相位等特征中选择鲁棒性的定位特征,利用孤立森林算法对原始CSI数据去噪,然后使用一维卷积神经网络(1D-CNN)进行无源被动定位,实现了相比于其他神经网络更优的定位效果。本文重点对环境变化问题进行分析,首先分别从微观上的单个位置指纹分布和宏观上的整体房间指纹分布的角度出发,分析环境变化对CSI指纹特征和无源定位模型的影响,并通过预实验对域适应定位思路进行分析验证。然后本文设计了一种基于深度神经网络的域适应定位模型,该模型使定位训练过程和域适应过程统一起来,即不仅基于源域的大量CSI数据进行定位训练,同时采用基于位置标签的语义对齐(SA)进行特征域适应,而且仅使用少量的目标域数据即可完成域适应,最后将两个过程的目标损失函数统一起来训练环境适应定位模型。为了实现完整的域适应定位系统,本文提出基于全连接深度神经网络(DNN)分类算法进行场景识别,同时提出一种两级判别方案进行模型更新判断。本文在多个真实房间内进行实验验证,不仅与业界的环境适应定位方法对比,同时与将迁移学习思想应用到环境适应定位的方法进行对比,结果表明该环境适应定位方案能够在显著减少重新校准工作量的情况下,使定位的平均提升效果超过90%,接近于目标域的定位基准精度,同时场景判别方案可以取得接近100%的判别水平,证明本文提出的方案在应对环境变化方面具有有效性和先进性。