室内定位在物资管理、安防监控、自动分拣等相关行业领域中具有广泛的应用需求。随着上述相关行业领域智能化程度的不断提升,迫切需要进一步提高室内定位技术的准确率和智能性。由于射频识别（Radio Frequency Identification,RFID）技术具有信号穿透力强、功能易于拓展、成本较低、易于推广、防污染能力强、可持久使用等优势,其在室内定位技术中逐渐成为研究热点。基于RFID室内定位的研究内容可分为相对定位研究和绝对定位研究。目前,上述两种定位方式的研究均不成熟,其中典型的问题包括:室内相对定位在高密度标签场景下往往存在定位准确率不高的问题;室内绝对定位在有限参考标签情况下亦存在定位误差较大的问题。针对上述问题,本文就相对定位和绝对定位分别提出了基于神经网络的RFID室内定位方法。主要工作如下:（1）为了提高在具有顺序侦测需求的室内场景下进行相对定位的准确率,本文提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）的RFID相对定位方法。首先,利用分治法思想,将一组标签的顺序侦测问题转换为两两标签之间的左右关系分类问题。然后,构建CNN并据此识别两两标签之间的左右关系。最后,基于误差权重对标签进行排序,即达到相对定位的目的。实验结果表明,在高密度标签情况下,即标签间距1cm时其准确率仍可达90%以上。与其他方法相比,其准确率有较大提升。（2）为了减小在具有获取位置坐标需求的室内场景下进行绝对定位的误差,本文提出了一种基于反向传播神经网络（Back Propagation Neural Network,BPNN）的RFID绝对定位方法。首先,利用高斯-卡尔曼滤波对数据进行预处理,减小外在因素对数据的干扰。然后,通过自适应学习因子对均值粒子群算法进行改进,减小其局部收敛的概率。接着,为了规避随机初始值对网络所造成的负面影响,利用改进后的粒子群算法获取BPNN中权值和阈值的优化初始值。最后,通过优化后的网络预测出目标的坐标信息。实验结果表明,所提方法的定位误差可控制在30cm左右。与传统方法相比,其定位精度具有一定程度的提升。此外,针对提出的方法开发了相应的原型系统,并应用于书籍顺序侦测和模拟仓库物品定位场景中。