煤矿的智能化和信息化建设日趋成熟,井下动目标精准定位技术已经成为学界的研究热点和难点。各种井下无线定位技术得到快速发展,Wi-Fi无线定位技术已经普遍应用在国有大型煤矿中。井下无线通信环境具有强时变性,各种井下基础设施和作业人员等定位目标的实时移动,大量粉尘、雾滴和狭长不规则巷道壁等对电磁波造成严重的多径传播现象,均会导致定位模型精度降低。基于Wi-Fi的井下无线定位技术可以利用防爆移动智能终端便捷地实现精度较高的井下定位,完全满足井下定位的精度需求。煤矿井下无线通信环境处于实时变动之中,高动态变化的井下环境使得定位模型精度降低,常用的无线定位技术都无法满足煤矿井下的定位精度需求。其中,基于Wi-Fi指纹的井下定位技术,由于其特有的定位优势,已经普遍的应用在井下定位当中。在高动态变化的井下环境维持或提升模型定位精度是当前的研究热点。本文采用在线顺序极限学习机（Online Sequential Extreme Learning Machine,OSELM）的井下定位算法,利用新增数据实现对模型的在线更新,减少实验数据的采集和模型训练工作量,改善因井下环境动态变化导致模型精度降低的问题。同时,针对OSELM算法存在的不足,对OSELM算法提出相应的改进。实验研究表明,所提的OSELM及其改进算法能够有效改善因井下环境动态变化导致模型定位精度降低的问题。本文基于OSELM在线增量式定位算法,针对煤矿井下无线通信环境高动态变化导致定位模型精度降低的问题,主要研究内容可概括为以下几点:（1）将OSELM在线增量式学习算法用于井下定位考虑到煤矿井下的无线通信环境具有时变性,将具有在线学习能力的OSELM算法用于井下定位。实际情况下,由于煤矿井下环境复杂多变,存在较多干扰,采集上来的数据通常具有实时性,不经过实时更新的定位模型很难保持其原有的定位精度。因此在极限学习机（Extreme Learning Machine,ELM）的基础上提出OSELM算法,实现对定位模型的在线实时更新。实验验证表明,与BP和ELM批量式学习方法相比,OSELM算法可以更有效的提升模型定位精度。（2）为OSELM算法赋予时效性和覆盖率权重,提出对OSELM算法的改进通过OSELM在线模型更新方法,能有效地解决井下环境动态变化所带来的模型精度降低问题。但该模型只是完成了在线更新的过程,并没有对新增数据的有效性等方面进行考虑。本文从新增数据时效性和采集新增数据的参考点覆盖率两方面以及综合考虑这两方面因素对OSELM算法进行改进,用权重来表示新增数据对原有模型的更新程度。实验验证表明,为OSELM算法引入权重项进行改进,与未改进的OSELM定位算法相比,能够有效提高定位模型精度。（3）为OSELM算法引入正则化和遗忘因子机制,提出对OSELM算法的改进针对OSELM算法的病态矩阵求逆和平等对待所有新增数据的不足,分别提出基于正则化的OSELM算法（OSELM based on Regularization,R-OSELM）和基于遗忘因子的OSELM算法（OSELM based on Forgetting factor,F-OSELM）,并融合两种机制,提出基于正则化和遗忘因子的OSELM算法（OSELM based on Regularization and Forgetting factor,FR-OSELM）。实验验证表明,实验环境变化后,R-OSELM和F-OSELM算法的定位精度均高于OSELM算法;在3m误差距离范围内,将两种机制进行融合的FR-OSELM算法的定位准确率要高于OSELM、R-OSELM和F-OSELM算法的定位准确率,所提融合性改进算法能更好的改善因井下无线通信环境高动态变化导致定位模型精度降低的问题,所提改进算法有效。