移动智能终端的广泛应用和无线网络的快速普及和大量应用,使得基于位置服务(Location Based Services, LBS)的应用需求呈现出快速、大幅增长趋势,LBS迅速发展和普及到了社会生活和生产的各个领域,并逐渐显示出了良好的技术发展前景和巨大的应用市场空间。借助位置信息需求,定位技术与基于位置的服务的发展紧密地联系在一起了。其中,可靠而高效的室内定位技术是实现LBS的前提和关键所在。在已有的室内定位技术中大多需要额外的专用硬件设施,定位成本高,定位精度和覆盖范围受硬件条件的限制,不利于LBS在室内环境的应用和推广。基于无线局域网(Wireless Local Area Network, WLAN)和接收信号强度(Received Signal Strength, RSS)的室内定位技术,充分利用现有的WLAN公共基础设施,无需任何其它专用设备,只需特定的定位软件,即可通过移动智能终端实现定位。WLAN的室内定位技术因其较低的定位成本、且能满足大多数室内应用对定位精度的需求,已经成为室内定位技术的首选。但是,随着室内无线接入点的广泛部署和智能终端设备的不断增减,室内无线电传播环境越来越复杂,RSS表现出高度的多变性和复杂性,这严重影响了基于RSS的WLAN指纹定位系统的定位精度,给基于WLAN的位置指纹室内定位技术带来了全新的研究内容,也给研究工作者提出了更为艰难的挑战。本文对WLAN的基于RSS的位置指纹定位技术开展了较为深入地调查和研究。着眼实用,以LBS为研究应用背景,围绕提高RSS信号的可信度这一关键问题,以提高室内定位的可靠性和有效性为研究目标,以基础理论研究为主,采用软件与硬件结合、仿真和实验并重的研究方法,对WLAN指纹定位的定位区域聚类、AP选择、RSS信号定位特征提取等主要技术环节进行了研究。主要贡献归纳为以下几点：·调查研究了室内RSS信号的分布特点。为了更好地描述RSS信号分布,本文选取了四种典型的室内环境(普通住宅、办公楼、教学楼和商场)进行信号收集,分析了人员、接收器方向以及样本数量对RSS信号的影响。提出了一种基于改进的双峰高斯模型(Improved Double-peak Gaussian Distribution, IDGD)定位算法。实验证明,与传统的基于直方图和高斯模型的定位技术相比,在保证相同定位精度前提下,基于IDGD的定位算法可减少大约70%的样本数量。因此IDGD算法可以大幅度地减少样本数量,减少数据采集工作量,节约定位成本,提高系统的定位精度。·研究了大定位目标区域的聚类问题。在较大范围的室内定位环境,RSS的统计特性变化更大,对于基于学习型定位算法来说,对整个定位区域进行学习,将增加算法复杂度,建立的定位模型不是最优的,从而不利于提高系统的定位精度。若采用聚类算法,将大的定位目标区域划分为若干个较小的定位子区域,然后在每个定位子区域建立区域定位模型,将降低计算复杂度,提高定位精度。本文针对已有的聚类分块问题没有考虑信号的相关性,从而导致分类精度不够高的问题,提出了一种将RSS信号白化后再进行k-means聚类的算法。实验表明,与k-means聚类算法相比,本文提出的聚类算法可平均提高3.7%的聚类准确度,更有利于降低系统计算复杂度,节约终端能耗,提高定位精度。·研究了接入点(Access Point, AP)选择问题。来自不同AP的RSS信号所包含的信息量是不同的,在当前各个公共热点高密度部署AP情况下,这种差异尤为明显。因此并不是所有的AP提供的RSS信号都有利于定位,很多RSS可能受到各种各样的噪声影响,含有大量的冗余信息,不仅不会提高系统的定位精度,反而起到相反的作用。因此需要对RSS信号也就是AP的定位能力进行判别,筛选出最优的AP集合用于定位。针对已有的AP选择算法没有考虑AP的查全率和查准率问题,本文基于信息熵理论,提出了基于信息增益权重的AP选择算法。实验表明,利用该算法优化的AP定位子集合,更有利于去掉冗余的AP,提高定位算法的解算效率和定位精度。·研究了提取RSS信号的有效定位特征问题。采用特征提取算法提取RSS信号的定位特征,有利于去掉RSS信号包含的冗余信息,提高RSS信号的可信度。本文针对已有算法只考虑有效提取RSS的线性特征问题,提出了基于核函数的直接判别特征提取(KD-LDA)算法,该算法可充分利用RSS信号的非线性特征。实验表明,联合本文提出的聚类和AP选择算法,采用学习机器支持向量回归定位模型,可实现在1米内的定位精度置信概率达37.1%,最大误差为4.12米。与传统的定位算法相比,可显著提高系统小误差定位(1米内)的概率,缩小系统的定位误差范围,优化系统定位性能。