随着无线通信技术的发展以及智能手机的普及,室内外基于位置的服务（LBS）需求呈现出急剧增加的趋势,并且在导航、救援等领域发挥着越来越大的作用。由于信号遮挡等问题的存在,室外环境下取得良好精度的卫星定位技术在室内环境下无法满足用户的需求,而基于WLAN的指纹定位法由于对传输带宽要求低而且不需要额外的硬件部署,且该方法具有较高的定位精度,因而在室内环境下得到广泛的研究与应用。基于WLAN的指纹定位技术分为离线阶段与在线阶段两部分,离线阶段需要对大量信号进行采集以构建指纹库,而通常的逐点采集信号方法存在采集效率低、人力物力消耗大等问题,因而,限制着指纹定位技术的进一步普及与发展。基于此,本文对基于WLAN的位置指纹技术进行了研究,并针对离线阶段展开创新性工作。传统基于半监督学习的指纹库构建方式由于仅使用欧式距离作为度量建立权重图,通常无法准确挖掘定位数据间的相似性特征,因此构建的指纹库精度不高。本文针对上述问题,基于高维接收信号强度（Received Signal Strength,RSS）数据的分布特征,对指纹库构建算法进行了改进,并基于该指纹库完成用户的位置估计,实现完整的指纹定位算法,具体研究工作如下:首先,本文研究了基于半监督流形学习进行指纹库构建的基本原理,通过对多个定位场景中的高维RSS数据的分析,发现高维RSS数据密度不均匀的非齐性分布特征,分析了RSS非齐性分布特征对室内定位的影响。其次,针对传统指纹库构建算法的不足,提出基于RSS非齐性分布特征的半监督流形学习室内定位算法,该算法利用局部RSS尺度参数以及共享近邻相似性构造权重矩阵,得到能够精确反映RSS数据流形结构的权重图,然后利用该权重图得到混合拉普拉斯图用于求解半监督流形学习的目标函数,以实现用少量的难以采集的标记指纹数据对大量易采集的用户轨迹未标记数据的位置标定,完成精确流形指纹库的构建,最终通过K近邻算法,运用该指纹库实现用户的位置求解。最后,根据所提的算法,设计了基于智能手机的定位系统,在真实的场景进行定位实验系统部署,并设计相关实验进行性能分析与验证。实验结果表明,相对于传统逐点采集的指纹库构建方式,本文算法可以减少80%以上的指纹库构建时间消耗;相对与传统基于半监督学习的方式,本文所提算法可以有效提升构建的指纹库精度,且该算法对指纹数比例减少的稳定性更高,相同指纹数量下构建的指纹库更精确,提升了定位系统的整体性能。