近年来,室内定位技术在现代社会中扮演了越来越重要的角色。一般来说,室内定位方法包括参数化定位方法和非参数化定位方法。在这些方法中,非参数化定位方法中的位置指纹定位法被广泛的研究和应用。位置指纹定位法包括离线训练和在线定位两个阶段：在离线训练阶段,将每一个参考点(Reference Point, RP)处采集来自各接入点(Access Point, AP)的一组信号强度值作为一条位置指纹信息存入数据库；在在线定位阶段,利用模式匹配算法对用户移动终端实时采集的位置指纹信息和数据库中的位置指纹信息进行比较来获得用户的实际物理坐标。本文将研究焦点聚焦于无线局域网WLAN环境下的基于信号强度的位置指纹定位算法,着重在参考点聚类及AP加权两个方面进行深入研究。本文分析当前应用广泛的K-means参考点聚类算法,针对该法对噪声数据和孤立点数据非常敏感等缺点,提出利用快速K-medoids聚类算法来对定位区域内的参考点进行聚类。在离线训练阶段,快速K-medoids参考点聚类算法先选取初始类中心参考点,再通过迭代方式在每一类中选取与其它位置指纹信息距离之和最小的那条位置指纹信息对应的参考点作为类中心参考点。相比K-means参考点聚类算法,快速K-medoids参考点聚类算法在去除噪声数据和孤立点数据上具有更好的鲁棒性。在位置指纹定位技术中,加权K近邻法是一种经典的模式匹配算法,其使用欧式距离作为算法中的距离度量函数,欧式距离将各AP赋予相同的权重,但是在实际定位过程中不同AP对定位精度的影响是不同的。针对这个问题,本文提出利用更能体现特征向量之间相对关系的卡方距离作为位置指纹定位算法中的距离度量函数,并利用灵敏度法对各AP的权重进行计算,然后利用加权后的卡方距离进行用户定位的方法,即基于卡方距离改进的加权K近邻定位算法,该法可以有效降低环境噪声对定位精度的影响。此外,本文还将该法和快速K-medoids参考点聚类算法相结合形成一套完整的算法,即基于卡方距离改进的位置指纹定位算法。通过实验数据分析证明,与经典的加权K近邻定位算法相比,本文提出的基于卡方距离改进的加权K近邻定位算法能够有效的提升定位精度,将该法和快速K-medoids参考点聚类算法相结合形成的基于卡方距离改进的位置指纹定位算法能够在降低在线定位阶段算法复杂度的同时提升定位精度。本文提出的位置指纹定位算法为实现室内高效定位提供了重要的参考。