随着科技发展，定位技术发展越来越快，几乎延伸到了各行各业，人们对定位要求越来越精准，仅凭借全球定位系统（Global Position System，GPS）的室外定位已经无法满足人们需求。因为移动通讯设备和Wi-Fi信号的广泛覆盖，基于Wi-Fi的室内定位算法凭借其成本低、定位精度高且无需其他外设等优点，逐渐成为现阶段的研究热点之一。该定位方法在定位收集信号的过程中，基于Wi-Fi的室内定位仅依靠信号接受强度指示（Received Signal Strength Indication，RSSI）就可以完成定位，但由于障碍物遮挡、环境变化等多重因素引起的时效性、多径效应等问题，RSSI信号存在误差，在极大程度上影响着室内定位的精度。因此，对基于Wi-Fi的室内定位研究十分必要。
　　首先，针对指纹信号的时效性问题，对同一地点不同时刻的指纹信息进行高斯分布函数优化后，针对指纹数据采集过程中，多重外界因素干扰问题，对收集到的RSSI信号进行卡尔曼滤波、自适应卡尔曼滤波、粒子滤波分别处理，去除部分无效数据后，重新写入指纹数据库。实验证明，经过高斯分布函数优化指纹数据库后，再通过自适应卡尔曼滤波处理数据效果更好，得到的结果更加拟合原始数据，有效的减少了时效性对指纹数据的影响。
　　其次，对定位区域进行分区并对指纹数据进行聚类。针对单一聚类算法存在的多种问题，提出一种基于KWAP_KNN的分区聚类算法。首先，结合信号发射装置和实际定位环境进行区域粗划分，之后通过K-means聚类对该方法中未覆盖节点及交叉节点进行聚类，得到最新分区结果。区域划分之后，通过熵值法对仿射传播算法（Weight Affinity Propagation Clustering Algorithm，WAP）中偏向参数p进行优化，以进一步提高其聚类的效率，最后通过K最近邻算法（K-Nearest Neighbor，KNN）算法得到粗定位结果。实验结果证明，区域划分后，KWAP_KNN算法得到的粗定位结果更准确，定位精度可达到1.8m左右。
　　最后，获得粗定位结果后，为提高室内定位的精度，提出一种基于WAP的广义RBF神经网络修正算法（WAP-based Generalized RBF Neural Network，WAP_GRBF），通过WAP_GRBF算法对离线数据和粗定位结果进行训练，对定位误差结果不断进行修正。在线阶段，当接收到一组未知指纹数据，通过分区聚类算法确定粗定位结果后，通过优化后的神经网络模型不断进行误差修正，以得到最后的定位结果。实验结果表明，通过基于WAP的广义RBF神经网络训练后，可以有效减少室内定位的误差，且经过该算法修正后，93%以上节点的误差都小于2m，最终平均定位精度在1m左右。