当前,人员位置信息在越来越多的应用场景中发挥重要作用,例如智慧城市、智能家居、智能安防等。各种人员定位技术（如UWB、Wi Fi、蓝牙、惯导及视觉计算等）也是百花齐放、各具优劣。其中,基于热释电红外（pyroelectric infrared,PIR）传感器的人员定位技术,以其具有极低功耗（μA级）、极低成本（约1$）、保护隐私、可在黑暗环境中工作等独特优势,近来受到一些研究者的关注。然而,现有的PIR定位技术仍有很大的提升空间。例如,在实际应用中,很多应用场景要求人员定位系统的精度需要达到亚米级。而要达到亚米级定位精度,现有的PIR定位技术大多需要较高的传感器部署密度,因而实用性较差。为了降低亚米级PIR定位系统的传感器部署密度,本文深入挖掘了PIR传感器模拟信号中隐含的人员位置信息（而非像传统方法那样对PIR信号进行简单二值化处理）,从中提取和学习出与几何位置相关的稳健特征,在此基础上提出了面向PIR稀疏部署下的一系列亚米级精度的定位方法。本文的主要贡献如下:（1）本文首次较为系统地建立了菲涅尔透镜阵列下的人体被动红外感知模型,为进一步提升PIR定位系统性能提供了空间。具体地讲,本文通过整合PIR传感器模型、菲涅尔透镜阵列模型、人体红外辐射模型,对人员位置与PIR传感器输出信号的定量关系进行了建模。实验表明,基于该模型计算得到的PIR传感器探测区中心轴,与实测中心轴之间的平均偏差仅约0.5度。此外,本文还基于PIR传感器的物理模型,提出了一种滤波方法,有效抑制了因PIR传感器的充放电效应所引起的信号畸变。（2）基于上述物理模型,本文创新性地从PIR信号发掘出了一种可用于定位的几何特征——人员方位变化,并提出了一种不同于三边定位或三角定位的全新定位方法——基于方位变化的定位方法PIRATES,有效降低了PIR定位系统的部署密度。具体而言,PIRATES方法首先对PIR信号进行逆滤波处理,而后基于上述物理模型获得稳定的人体方位变化特征。最后,PIRATES方法通过构建关于方位变化的几何约束,实现了对目标人体的可靠定位。相较于现有的基于PIR模拟信号的定位方法,PIRATES方法的定位准确率提升约24%,部署密度下降约50%。（3）本文创新性地将PIR领域知识与深度学习相结合,构建出了一种新的定位方法PIRNet,有效提升了PIR定位系统在低部署密度条件下的定位精度。具体地讲,本文基于PIR传感器模拟信号的物理特性,对PIRNet的网络结构进行了模组化设计,并提出了两种针对PIR定位任务的数据扩充方法,以此来提升神经网络在PIR定位任务中的泛化能力。在部署密度与PIRATES方法相同的前提下,PIRNet方法可将多人场景中的平均定位偏差降低至约0.5m,比PIRNet方法下降约0.4m。相较于现有的基于二值化预处理的PIR定位方法,基于PIRNet方法可以达到相似的定位精度,但所需的部署密度仅为前者的约20%。（4）为了提升基于深度学习的PIR定位系统的泛化能力,本文提出了一种融合了几何模型与深度学习的定位方法Deep PIRATES,有效降低了此类系统的训练成本。具体地讲,Deep PIRATES方法克服了基于端到端网络结构的PIRNet方法在传感器部署方案发生改变时需要被重新训练的缺点,实现了在任意传感器部署方案下均无需对模型进行重新训练的优良特性。此外,为了进一步提升神经网络在PIR定位任务中的泛化能力,本文还提出了一种基于对抗学习的数据扩充方法。相较于PIRNet方法,Deep PIRATES方法可以达到与PIRNet相近的定位精度,且无需在部署方案发生改变时对模型重新训练。本文提出的上述关于PIR定位算法的改进方案,有效地推进了被动红外定位系统的实用性,使之有望成为特定场景下（低功耗、低成本、易部署）的一种较有价值的定位方案。未来的研究中,为了进一步提升该定位方案的部署便利性,还将继续研究多PIR单点部署、以及天花板俯视感应部署下的PIR定位算法。