随着通信技术的迅速发展以及智能设备的快速普及,人们对高精度定位导航的应用需求日渐增长。基于位置指纹的WLAN室内定位系统因其完全基于大型室内场所普遍存在的无线网络设备和移动智能终端而无需部署额外的专用传感器,并且具有良好的定位精度,所以有着广泛的应用前景。然而,传统的Radio Map建立方法需要人工进行逐点多次采集,消耗巨大的时间和人力成本,阻碍了基于位置指纹的WLAN室内定位系统的大规模推广。因此,如何低成本地建立定位区域的Radio Map成为现阶段室内定位领域中值得研究的问题。近年来,众包概念的提出为解决Radio Map建立成本高昂的问题提供了新的思路。然而,基于众包建立Radio Map的方法也存在着亟待解决的问题。首先,传统的为减小Radio Map建立工作量所采用的基于空间插值的参考点扩充算法受数据排列顺序影响而无法得到全局最优解。其次,上传众包数据的用户间使用习惯的差异以及不同时刻下门窗开关、行人走动等室内环境的变化都会对Radio Map引入大量噪声,从而降低定位精度。针对以上问题,本文提出了基于张量填充的参考点扩充算法和基于张量恢复的众包数据降噪算法,能有效进行参考点的扩充并降低数据中的噪声,从而提高定位精度。本文取得了如下创新性成果:(1)针对传统的为减小Radio Map建立工作量所采用的基于空间插值的参考点扩充算法无法得到全局最优解的问题,提出了一种基于张量填充的参考点扩充算法,将求解数据相关性最强的问题转化为求解张量秩最小的问题,分别利用BCD和ADMM算法框架进行求解。相比于基于空间插值的参考点扩充算法,该算法不受数据排列顺序的影响,可充分利用全局信息得到最优解,提升了Radio Map的准确程度,从而提高了WLAN位置指纹定位的精度。(2)针对众包数据采集过程中由于用户习惯差异、室内环境变化等引入噪声干扰的问题,提出了一种基于张量恢复的众包数据降噪算法,联合求解信号空间应有的低秩性和噪声空间应有的稀疏性,分别利用BCD和ADMM算法框架进行求解。相比于矩阵恢复降噪算法,该算法更充分地利用了数据间的相关性,可有效降低Radio Map中的噪声干扰,从而提高了WLAN位置指纹定位的精度。