基于WLAN的室内定位方法如今已成为商用主流应用技术之一。从建设成本、应用范围以及技术成熟的角度考量,相较于其他室内定位技术,基于WLAN定位方法综合来说具备一定优势。而且各大城市公共服务设施已逐步实现了全面的WLAN覆盖,因此基于WLAN的室内定位系统能够利用现有的基础设施节约硬件成本,同时共享热点覆盖范围作为定位区域,更具备便捷的移动信息交互以及应用开发方式,在民用及商用领域具有广阔的市场前景。在科研领域中,近年来由于新技术不断出现,基于位置指纹法的WLAN室内定位系统得到进一步发展,许多领域的新算法应用到了WLAN定位技术的各个方面,已成为未来最具潜力的室内定位技术之一。基于广泛的技术背景分析及多种室内定位方法的比较,并依托于科研课题,本论文主要针对基于位置指纹技术的WLAN室内定位系统展开相关研究。首先,针对经典聚类算法单纯依据接收信号强度特征进行分类而并未考虑到实际位置点坐标连续性的问题,本文提出了一种空间分区算法来合理划分位置指纹图,消除应用传统聚类算法时频繁出现的奇点现象,在保证了空间位置连续的同时具备一定灵活性,真正意义上实现子区域划分。通过对室内区域定位的特殊性进一步分析,考虑到位置指纹数据经由无监督聚类过程形成子区域之后,实际上数据点具备了类别标签,无监督聚类过程本质上已转换成了半监督学习过程。因此本文基于机器学习理论应用随机森林方法并结合基因算法进行参数优化,实现子区域定位的过程。实验结果表明,与经典聚类算法相比,采用空间分区方法进行区域划分得到的子区域能够获得较高定位精度;而应用空间分区方法进行子区域定位能够获得98.9%的区域定位准确率,且不存在个别子区域分类精度过低的现象,相比而言具有更高的分类效果及稳定性。其次,针对大型室内场景中位置指纹图信息过多易形成维数灾难的问题,本文提出了基于最大似然估计与核主成分分析结合的低维特征提取算法,降低了数据维度,并去除数据冗余信息,在噪声环境下提高了室内定位过程的稳定性。其中的本征维数估计方法能够有效确定最优目标降维维度,相比于通过大量测试或设定阈值等经验方法来判定最优维度的方式节省了一定时间成本,且更具普适性。实验结果表明,噪声环境下核主成分分析法受到影响较小,定位精度为2米以内的置信概率维持在80%以上,体现出了更好的抗噪性能,同时使得位置指纹图体积减小了74%,节省了大量移动存储空间。另外,由于商场等典型室内场景中往往存在大量的人员流动,而人体对于信号在空间传播有较大干扰,对于定位效果会产生一定影响。针对这种现象,本文通过观察相对固定环境中人员流动量随时间变化存在的一般规律,设定了人员流动影响因子,以此对定位系统进行补偿,将传统位置指纹图改进为时变位置指纹数据集,在实际运行中一定程度上增强了室内定位系统的精度和稳定性。实验结果表明,在工作日午间人员流动的高峰时段,传统方法定位在2米内的置信概率相比空闲时段下降了近10%,而改进的系统由于引入了人员流动因子,同样条件下置信概率平均下降4%左右,对人员流动导致的干扰起到了一定补偿作用。最后,针对移动设备有限的计算能力和存储空间,本文结合了分区方法与降维技术设计了一种室内定位模型架构,能够基于终端独立进行定位,无需建立网络连接与中心服务器进行信息交互,从而提高定位输出的时效性,且模块化的设计使得模型能够适用于更多的场景,具备较强扩展性。在此模型基础上本文提出了一种新型室内定位系统,应用了文中提出的空间分区方法以及核主成分分析方法,能够更为合理地划分室内定位空间,抑制噪声干扰,进而减小定位误差,并节省大量存储空间。实验结果表明,系统在子区域中定位在2米内的置信概率能够达到85%左右,高于其他特征提取方法,其优势主要体现在低维条件下和较强噪声环境中。此外,本文在不同的AP数目和采样间隔环境下进行了一系列实验,以验证两者对室内定位系统性能可能产生的影响。实验结果表明,在满足一定覆盖基础时AP数目的增加对于定位性能的提升有一定帮助,然而作用有限,应针对每个子区域依据一定判决准则挑选最具判别力的若干个AP进行定位;对采样间隔而言,过于密集的参考点设置可能引入过多的噪声,影响匹配定位且耗费大量人力成本,而参考点间距离过大则难以提供理想的室内定位精度。在本文构建的实验环境中,选取参考点间隔为1米时定位系统能够达到最优的定位效果。