随着无线设备的发展,WiFi定位技术因具有较高的普适性而成为室内定位研究领域的热门方向。然而,由于多径效应及单个接入点问题,信号度量和定位方法成为了影响定位性能的关键因素。考虑到前者的粒度与稳定性,以及后者的成本效益与鲁棒性,本文对基于信道状态信息(CSI)的指纹定位算法展开研究,主要内容如下:(1)为了提高指纹特征提取性能并增强映射拟合程度,本文提出一种基于卷积自编码器(CAE)和深度支持向量机的指纹定位算法。该算法将CSI幅度调整为图像形式作为指纹。在离线阶段,首先利用指纹数据训练CAE,随后保存CAE编码部分权重,并利用全连接层将前者与深度支持向量机整合为深度定位算法模型(CAE-DSVM),利用该模型学习原始CSI图像与位置间复杂的映射关系;在定位阶段,将测试点指纹作为CAE-DSVM模型的输入,即可直接获取该点位置信息。仿真实验表明,在两种定位环境数据的验证下,本算法的平均定位误差分别为0.9899m、1.3452m,其精度较优于对比算法。(2)为了解决复杂室内环境中多径效应影响定位精度问题,在充分分析CSI数据的基础上,本文提出一种基于多径划分和三维卷积神经网络(3DCNN)的指纹定位算法。该算法将CSI幅度与相位图像进行聚合。在离线阶段,首先利用聚类方法分析指纹数据的簇类数量,该值代表参考点受多径效应影响程度,结合阈值原则将指纹库划分为两类多径程度的子库,并利用3DCNN深度学习两类指纹子库;在定位阶段,首先计算待测节点的簇类数量,并依据校准算法判断该点所属子库,最后利用相应3DCNN模型估计其位置。实验结果表明,本算法在复杂环境下可实现良好的定位效率的同时,能够将78%测量结果的误差控制在1.25m以内,较相关算法至少提高了28%。该论文有图38个,表19个,参考文献68篇。