可见光定位（Visible Light Positioning,VLP）是以LED照明技术为基础的集照明与定位为一体的新型定位技术。由于LED光源朗伯辐射模型为非线性模型,与实际应用过程中的模型差异较大,严重影响室内定位系统性能。而人工神经网络虽然可以有效拟合光辐射信息与位置坐标之间的非线性关系,提高定位性能。但是室内环境参数先验知识的缺乏无法满足神经网络在训练阶段的数据需求,导致网络收敛速度慢,易过拟合,系统定位性能低下等问题。因此本文针对神经网络应用于室内VLP系统的上述缺陷将生物启发算法引入人工神经网络中,提出一种结合生物启发算法与神经网络的可见光室内定位技术。首先,搭建室内可见光定位系统的直射视距链路（Line of Sight,LOS）和非视距链路（Not Line Of Sight,NLOS）模型,并进行光源布局使得室内光照度达到国际照明标准。在此基础上对室内光照度进行仿真,采用谱估计检测技术实现在不同高度的接受平面上对光辐射信息的分离,并结合标定坐标构建指纹数据库。其次,将BP神经网络（BPNN）和RBF神经网络（RBFNN）两种适用于非线性问题拟合的神经网络,应用于VLP系统中,建立室内光辐射信息与对应标定坐标到各个光源之间的映射关系。再将输出的数据通过RSS原理建立的误差约束模型计算出定位坐标。通过实验对两种神经网络应用于室内VLP系统时的系统性能进行对比。结果表明,在同样目标误差和训练数据规模下,要达到目标误差,RBFNN的训练速度比BPNN的快了20%。接着,由于神经网络结构带来的性能局限性,在基于神经网络的可见光室内定位的基础上,设计了生物启发与神经网络结合的室内可见光定位方案。本文分别采用遗传算法（GA）、粒子群算法（PSO）和天牛须搜索算法（BAS）对RBFNN进行优化,探索生物启发算法对RBFNN应用于室内VLP系统性能的优化效果。结果表明生物启发算法可以显著提高神经网络在训练阶段的训练速度,防止网络陷入局部最优和过拟合。最后,通过设计对比试验,验证了生物启发算法在神经网络训练阶段对网络的优化性能。结果表明,当室内空间、光源布局、目标误差、训练数据规模相同的情况下,不同生物启发算法对同一种神经网络的优化,能够使得神经网络的训练时间缩短20%～50%之间,平均定位误差可控制在4cm。在实测实验中,搭建长宽高均为0.8m的实验空间,进行多次实测定位实验,其平均定位误差为4.33cm。本文采用生物启发算法对神经网络的进行优化,使得神经网络的定位精度不受影响的情况下训练速度得到大的提升且不容易陷入局部最优,为可见光室内定位应用于实际场景中提供了新的思路。