基于GPS的位置服务已经给人们的生活带来许多便捷之处,随着生活品质的提升,室内定位技术应时而生。然而,GPS信号功率较弱,很难穿透建筑物和空间障碍物,在室内定位领域已经不再适合。如今,得益于短距离通信技术的飞速发展,室内定位技术迎来了机遇。ZigBee技术是一种低成本、低功耗,高可靠性的短距离无线通信技术。相比于其它技术,ZigBee具有自组网、网络容量大,并且在物联网解决方案领域有着不俗表现等优点。在传统室内定位方法中,室内环境复杂多变,在定位过程中无法准确测量相关定位参数,从而导致室内定位精度偏低。近些年,国内外学者相继使用指纹定位技术改善室内定位精度。因此,论文中以ZigBee技术为依托,探究一种高精度,稳定性强的室内定位系统。基于测距技术的室内定位方法一直是业界研究的重点。此方法计算简单,容易实现,但结果却并非差强人意。室内环境空间小,信号在传播过程中遭受的多径干扰严重,RSSI(Received signal strength indication)波动呈无规律性,导致在定位过程中无法将RSSI准确的转化为距离信息。因此,论文中进行了大量实验,探究天线角度,墙壁,障碍物与人体对RSSI波动的影响,在此基础上提出了改进的最大值滤波算法,并且用实验证明改进的滤波算法优于改进前。不仅如此,论文中在三个不同的环境条件进行定位实验。实验结果表明该方法稳定性较差,不适用于复杂环境下的室内定位,在4.4m*7m复杂环境下平均定位精度较低,仅为1.21m。针对基于测距技术的室内定位方法在复杂环境下定位精度较低的问题,论文中提出了一种基于BP神经网络的室内定位方法。该方法在离线阶段建立样本点的RSSI值与其位置坐标,并进行网络训练,在线阶段采集目标节点的RSSI数据,利用训练好的网络估计位置坐标。实验结果表明,该方法改善了大部分目标节点的定位精度,但稳定性较差,在4.4m*7m复杂环境下最大定位误差为2.2289m,最小定位误差为0.2895m,平均定位精度为1.1407m。针对基于BP神经网络的室内定位方法表现出的缺陷,论文中提出利用K-Means聚类算法进行改进。在训练前使用K-Means聚类算法对训练集与测试集进行预处理,并且根据测试集数据之间的距离,动态的确定聚类中心。实验结果表明,K-Means聚类算法改进后的室内定位模型,最大定位误差为1.0272m,最小定位误差为0.084m,平均定位误差为0.5037m。相比于改进前,定位精度提高了0.637m,且定位误差小于1m的目标节点占比为95%,定位误差小于0.5m的目标节点占比为60%。