随着社会的信息化与智能化发展,导航、定位等信息在日常生活中的作用日益凸显,位置服务在各领域得到广泛应用。针对复杂的室内环境,已有多种定位方法被提出,其中Wi-Fi与视觉两种信号源以其定位信息丰富、硬件成本低等优势备受关注。然而,单一定位源由于信息的局限性,始终存在特征精度低、完备性不足等问题,多源融合定位成为高精度室内定位的趋势。本文主要针对单一定位源的局限性,开展基于Wi-Fi信道状态信息(ChannelStateInformation,CSI)和视觉图像特征的室内融合定位技术研究。CSI与图像是两种异源异构的定位信息源,为完成两种定位源的关键特征提取并实现特征同构化,分别提出了基于局部相关性的CSI幅度特征提取网络和多方位图像特征的统一表征网络;为实现CSI特征和图像特征的融合,提出了基于测度指标的融合表征指纹构建方法,并在此基础上进行定位匹配与位置预测。具体研究工作如下:1.针对CSI特征提取中已有算法与数据特性匹配度不高、特征区分度不足的问题,本文在CSI幅度的载波级数据规律分析基础上,提出基于局部相关性的CSI幅度特征提取网络:基于局部连接的深度神经网络(LocalConnectionBasedDeepNeuralNetwork,LC-DNN)。该网络中局部连接层采用多个非共享的卷积核对不同频率范围的CSI幅度数据进行局部特征提取,旨在挖掘CSI邻近子载波幅度间的位置相关特征,全连接层主要用于对各局部特征拼接后数据进行目标相关的整体特征提取,旨在获取位置相关的整体CSI特征。2.针对图像特征提取中数据维度较高、缺乏多方位图像的无序融合统一表征问题,本文提出多方位图像的统一表征网络:基于共享CNN的叠加融合网络(SharedConvolutional-Neural-NetworkBasedAddFusionNetwork,SC-AFN)。该网络采用共享CNN模型对各方位图像进行特征提取,旨在对不同方位图像实现统一降维;在特征提取后采用Add叠加策略实现网络中的多特征融合,旨在实现各方位特征的无序融合并降低计算量;最后,全连接层对叠加融合数据进行位置相关性特征的提取与整合,构建融合多方位图像的统一向量表征。3.针对融合指纹库构建中融合深度不够、缺乏异构特征统一表征的问题,本文提出了基于测度指标的融合表征与匹配定位方法,主要通过将衡量区分度的测度指标引入融合表征的模型优化过程来进一步提高特征区分度。该方法首先给出基于感知机的融合表征初始模型用于对上述两种定位特征进行融合表征域的转换;然后对融合指纹库的区分度进行量化表示,并以此为测度指标指导后续的融合;最后通过最大化融合后指纹库的测度指标对融合表征模型的参数进行优化,得到最终的高区分度融合表征模型。经实验测试与评估,本文提出的LC-DNN有效地提高了基于CSI幅度的定位精确度与稳定性;SC-AFN减小了图像定位最大误差,降低大误差概率从而提高定位准确性。在两种特征提取后,采用基于测度指标的融合表征与指纹匹配定位,可以在室内综合办公场景实现平均误差0.62m,标准差1.55m,与前文中LC-DNN和SC-AFN相比定位精度分别提高了16.2%和50.4%,与已有的基于多维尺度变换-K最近邻(MultidimensionalScaling-KNearestNeighbor,MDS-KNN)融合指纹匹配定位方法相比提高了11.4%。