随着移动互联网的发展，对基于位置的服务（Location-based Services，LBS）的需求也越来越大，而移动智能终端的普及与进步也极大地丰富和扩展了这种需求的类型。智能出行、智慧家居等概念逐渐渗入人们生活的方方面面。在室内环境中，全球导航系统（Global Positioning System，GPS）信号受到建筑物的屏蔽，无法实现跟室外环境中一样的定位性能。现阶段最具推广潜力的基于WiFi指纹的室内定位方案仍然面临着很多问题：前期部署中离线阶段构建指纹数据库的人工勘测过程耗时耗力，严重阻碍了方案的部署和推广；常用于定位的接收信号强度（Received Signal Strength Indicator，RSSI）因其波动特性易受环境中各种干扰因素的影响，导致定位系统抗干扰能力差，进而影响定位精度；定位阶段的每次定位都需遍历整个数据库带来冗余开销，而且错误的检索结果还会进一步降低系统的定位精度。本文基于RSSI指纹定位方法，通过引入迁移学习，降噪自编码和环形局部搜索定位等技术来解决上述问题。本文的主要研究内容及创新概述如下：
　　①针对离线阶段人工勘测过程耗时耗力的问题，利用迁移学习来降低离线开销。基于指纹的定位方法在离线阶段需要在每个预设的参考点搜集离线数据来构建指纹数据库，这个过程需要耗费大量的人力和时间，不利于大规模场景的推广。本文提出了一种基于迁移学习的架构来加强基于指纹的室内定位方法的可扩展性，在降低离线训练开销的同时保持系统的定位精度。基于迁移学习的系统架构包含两个部分：度量学习和度量迁移。度量学习过程通过从多个标签数据充足的源域学习距离度量并组成矩阵池；度量迁移过程为新环境选择合适的距离度量，并重塑目标域数据的逻辑分布，让属于同一个集合的测试点和参考点之间的逻辑距离更接近，不属于同一个集合的测试点跟参考点的逻辑距离更远，进而在不降低定位精度的前提下大幅降低离线开销。大量真实场景中的实验证明提出的基于迁移学习架构的有效性。
　　②针对RSSI容易受到环境中各种干扰因素影响的问题，利用降噪自编码技术来构建抗干扰性更强的指纹数据库，进而提高定位精度。复杂多变的室内环境导致了RSSI容易发生波动，进而影响了室内定位的精度。本文提出了基于双频的降噪自编码指纹室内定位模型。具体地，在离线训练阶段，收集2.4GHz和5GHz双频段的RSSI来扩充数据维度，然后通过栈式降噪自编码神经网络训练原始RSSI数据来构建离线指纹数据库。在线定位阶段，为了弥补实时数据不足的问题，基于RSSI均值和标准偏差提出了一种数据生成策略来扩展输入。最后利用局部加权线性回归法（LWLR）来计算目标的位置。大量真实场景下的实验证明了提出的方法能够提高定位系统的定位精度和鲁棒性。
　　③针对传统指纹定位方法在定位阶段计算坐标时需要遍历整个数据库，进而带来很多冗余的计算开销和误匹配造成定位精度降低的问题，本文提出了一种由两部分组成的可扩展的室内定位算法(SILA)：基于环的定位（ABL）和局部搜索定位(LSL)?首先，利用多项式拟合来构建距离-信号强度模型，借此来估算路由器与移动终端之间的距离。此外，基于物理空间的信号衰减特征，设计了一个子区域划分策略。该策略可以使系统在不同的区域选择合适的距离-信号强度拟合函数来获取距离信息。在此基础上，利用一个环构造策略来精简在线搜索空间。其次，基于利用RSSI数据做指纹映射，提出了局部搜索策略。通过RSSI概率分布模型来更好地映射在线测试点和参考点之间的信号特征。最后使用贝叶斯理论选择一组备选参考点，并基于KNN计算测试点坐标。实验结果证明了提出的方法在提高定位精度方面和降低在线计算开销方面的优越性。