随着Wifi蓝牙等指纹定位手段在移动终端的广泛应用,室内高精度指纹聚类算法成为近年来热门研究方向,减小聚类算法复杂度及提高定位精度成为指纹定位的技术挑战。针对以上问题,本文展开了对室内定位指纹聚类算法的一系列研究。第一,本文在对指纹定位技术进行了系统研究的基础上,分析了室内无线信号衰减模型,并对室内进行了无线信号强度勘测,实现了在众包过程中指纹数据回传,根据衰减模型和修正参数对指纹库进行补偿,以降低指纹库的噪声。第二,针对k-means算法计算占用系统空间较大且速度较慢;SVM神经网络算法离线建库过程较为复杂,定位精度不高等问题,本文提出DBSCAN-SVM多层聚类算法,在离线训练过程利用DBSCAN减少训练样本数目并快速发现与空间位置保持一致的簇类集合,在线匹配阶段采用基于交叉验证及网格搜索的SVM算法进行在线搜索提高定位精度。第三,基于前一章聚类算法的定位结果,针对动态定位过程的连续性,本文根据室内定位系统的非线性特征,提出了基于扩展卡尔曼滤波的Wifi与惯导融合定位算法。并且对于两个定位点前后RSSI向量相似度进行分析,生成系统的状态方程以及观测方程,有效的估计了当前定位点的位置。在提高了定位精度的情况下优化了定位平滑性,提升了定位过程的连续性。第四,针对前三章的算法和策略进行了系统设计和部署。搭建了基于Android平台的指纹采集前端,服务器解算端,以及数据库存储端。并对单点定位和动态定位场景的多层聚类算法效果进行了验收。本定位系统单点定位场景下计算复杂度降低约79.8%。定位精度2.06m(1σ),相对于K-means以及高斯混合模型分别提升了 56.3%和37.2%,在降低算法复杂度的同时保证了定位精度。在动态场景下,定位连续性优化使得处理时间方差下降56.6%,定位点距离方差下降67.4%,提升了动态定位场景的连续性。