近年来,室内定位技术引起了广泛关注,室内定位系统一般是在已知位置点邻近定位。虽然室内导航服务的潜在需求已经从行业层面得到解决,但仍存在诸如相应的数据质量评估工具的维护缺乏,定位精度有限等问题,特别是在处理不同的数据源时,由于数据处理中采用的数据具有潜在次优性和近似性,导致不同的数据源具有不同的可靠性和方法限制。为此,本文对基于深度学习的信号强度指示（Received Signal Strength Indication,RSSI）三维指纹定位算法进行了分析研究并提出改进,分别对基于加权k邻近（Weighted k-Nearest Neighbor,Wk NN）的指纹定位和基于随机森林的指纹定位进行算法改进,最后引入模糊规则思想,将这两种改进算法获得的定位结果加权结合到一起。通过在公共可用的Wi Fi指纹数据集UJIIndoor Loc进行仿真实验分析,表明了算法的可行性及稳定性。本文的主要研究内容如下:（1）针对基于RSSI指纹定位过程中,室内环境中有多种影响定位结果的噪声问题。提出使用卡尔曼滤波的噪声处理方法,不直接对噪声进行滤波,而只是间接减小由噪声引起的位置估计的波动,且卡尔曼滤波器是在未知噪声或时变噪声的情况下,仍可以用来滤除测量噪声的滤波器,因此选择卡尔曼滤波器进行噪声处理,以提高定位算法的准确性。（2）针对计算复杂度和估计精度之间的平衡问题。选择利用层次聚类并进行改进,提出改进的基于自变换阈值层次聚类的聚类算法,对指纹空间进行分类,避免参数设置和初始聚类中心的选择,且可以减少计算量和存储量,提高估计精度。且由于相关预定义子集不是为整个区域选择的,而是特定于每个聚类的,因此改进的自变换阈值层次聚类算法允许将定位系统扩展到更大的区域。（3）对基于Wk NN的指纹定位算法进行分析研究并改进。通过对目前应用较为广泛的指纹定位算法进行分析,如k NN算法直接使用多个最近校准点的平均坐标作为节点位置估计,Wk NN算法给不同最近的校准点赋予不同的权重。因此,Wk NN算法估计的节点位置通常比k NN算法估计的更准确,选择定位准确性较好的Wk NN算法并进行改进,提出可以根据阈值动态生成k值的增强型Wk NN指纹定位算法,以提高定位效果。（4）对基于随机森林的指纹定位算法进行分析研究并改进。现有的众多Wi Fi指纹定位系统在建立指纹数据库时需要在特定的环境中收集大量的数据。因此,引入适合处理大量数据且鲁棒性好的随机森林算法思想,提出基于随机森林的改进指纹定位算法,利用分类和回归下的随机森林模型分别对楼层水平和经纬度水平的数据集进行训练学习,最终从楼层和经纬度水平分别进行定位,以节省存储空间并具有良好的抗多径特性。同时,对在不同系统参数、算法和输入数据集下的定位性能进行实验研究分析。（5）为实现位置估计的更优解,最后引入模糊规则思想,提出了一种模糊规则下的基于Wk NN指纹定位和随机森林指纹定位的无测距定位方法。采用模糊规则系统对待测节点的边缘权值进行计算,根据加权平均公式计算估计位置。与传统方法相比,模糊规则有稳健性等许多优点,使其能够处理环境中的不确定性,并使在没有大量样本的情况下推断用户位置成为可能。又对算法性能进行评估,并与未引入模糊规则的单一算法进行比较,证明改进算法的可行性和优越性。