近年来,随着室内定位技术的发展,室内定位通过为零售、制造、机器人等行业提供位置信息数据,成为物联网时代的重要基础。室内定位技术将人和物与数据信息相结合,令人和物像信息一样可以被搜索、定位,实现了万物互联。现有的室内定位技术繁多,不同定位技术在定位精度、定位成本、应用范围等方面各不相同。而随着WLAN的普及,因基于WLAN的室内定位技术使用范围广、定位成本低、定位精度较高等优点,成为近年来研究的热点。本文对基于WiFi的指纹定位技术展开深入的调查和研究,解决了大范围室内场景下,如何一步步划分定位区域,将目标缩小到指定区域,从而提高定位精度,降低算法复杂度。本文主要应用了神经网络、自编码器、K-均值、KFCM等方法,并在设计实现的定位系统下验证了可行性。本文主要研究工作如下:第一,研究了室内楼层定位,使用了基于神经网络的楼层分类算法。WiFi的覆盖范围广,它的定位精度决定了它不适用于小范围内的室内定位。在一个建筑群内,楼层定位解决了目标的粗定位,从而减小指纹库的搜索范围。本文通过自编码器提取定位特征,并使用Softmax分类器定位楼层,验证了经过自编码器处理的指纹在楼层定位中有更好的表现。第二,研究了聚类算法在指纹定位中的使用,应用了基于参考点位置的聚类方式。WiFi强度信息易受干扰、波动大,且容易出现离群点,导致传统的基于指纹强度向量的聚类方式不够稳定。考虑到,参考点信息也包含位置坐标,而位置坐标是稳定均匀的,因此,本文采用了基于位置坐标的K-均值聚类方式。核方法的引入可以划分线性不可分的指纹数据,且对离群点有较高的包容性,因此本文对比介绍了KFCM聚类技术。实验结果表明,指纹库的聚类能有效提高定位精度。第三,改进了AP选择算法,并设计了基于服务器端的WiFi定位系统。在大范围的室内场景,AP的数量较多且覆盖的范围不同,离线阶段确定AP集合会导致实时定位时特征缺失,因此,本文将AP选择移到实时定位时强度向量中。最后,在本文设计的定位系统中对上述方法进行试验,验证了方法的有效性。