物联网技术的兴起使得人们对室内位置服务的需求日趋增强,医院,商场,会展等室内场合越来越需要精准的室内位置服务。全球导航卫星系统可以很好的满足人们的室外出行,但在室内环境中,由于墙体的遮挡以及室内环境的干扰,GNSS信号衰减过大、不可靠,不能有效应用到室内场景中。因此许多科研机构试图探索出其他技术以获得稳定、可靠的室内定位系统,其中Wi Fi室内定位技术由于无线局域网高度普及而成为研究热点。传统的Wi Fi室内定位技术利用接收信号强度指示(RSSI)作为特征参量,但由于RSSI的粗粒度以及高度易变性,无法在复杂的室内环境中实现高精度定位。针对上述问题,本文选择更细粒度的信道状态信息(CSI)作为研究对象,同时利用IEEE 802.11mc协议提供的往返时间(RTT)测距结果,展开了基于CSI和RTT融合的室内定位算法研究,论文的主要研究内容和创新如下:(1)通过实验验证了信道状态信息具有时域稳定性、位置可分性、特征多样性三个特性,从而充分说明CSI数据可作为指纹特征用于室内定位的可行性。同时在有遮挡和无遮挡两种场景下进行了RTT测距性能分析,保证了测距精度可以满足定位系统的要求,为定位系统的设计提供了理论支撑。(2)将RTT测量距离引入到CSI指纹定位算法中,提出一种基于测距约束的改进WKNN定位算法,通过最小二乘算法解算测量距离得到粗略估计位置,并基于粗略估计位置利用约束因子对WKNN的匹配指纹库进行约束,缩小指纹匹配范围,减小匹配计算量。在实时定位过程中,提出一种基于相近度加权系数的匹配方法,通过比较目标终端到接入点的测量距离与真实距离的相近程度,给不同的近邻参考点赋予不同的加权系数,使估计位置更接近与真实距离相近度高的参考点,提高系统的定位精度。基于真实环境下的实验结果表明,所提算法在定位精度和系统稳定性上均有明显的提升。(3)针对传统神经网络训练效率低,模型泛化能力差的问题,提出一种基于多源融合数据的深度学习定位系统,该系统通过深度信念网络对位置原始数据进行深层次特征提取,并选择极限学习机作为顶层分类器,将提取到的特征以及对应的标签用于极限学习机的有监督学习,充分利用极限学习机学习速度快且泛化能力强的优点,加快模型训练效率,提高模型的识别能力。同时在极限学习机中引入正则化项,在保留原有模型特征学习优势的基础上,进一步增强网络模型的鲁棒性。为了增加训练样本的多样性,提升环境的表征能力,采用信道状态信息值和往返时间测距值代替传统单一的幅度值作为输入数据,通过逐层贪婪特征学习,提取原始数据中最能刻画环境信息的深层次特征构建空间位置指纹库。在定位阶段,通过基于贝叶斯定律的概率模型完成对目标终端的位置估计。通过实验分析验证本文系统在定位精度和系统运行效率上具有更好的性能。