随着无线网络和移动设备的普及,基于WiFi信号的室内定位受到越来越多的关注。接收信号强度(RSS)作为一种容易获得的信号特征常用于室内定位系统中。但是,由于RSS是粗粒度信息,其常常受到多径效应及噪声信号的影响,定位性能并不稳定。近年来,商用WiFi设备(如Intel 5300无线网卡)开始支持物理层的信道状态信息(CSI)的获取。CSI能以更细粒度表征信号,通过对不同子信道信号传输情况分别进行分析,CSI可以尽可能避免多径效应与噪声的影响。CSI为基于WiFi的室内定位技术开辟了新的空间,因而被广大研究者所关注。当前大部分基于CSI指纹的方法并没有结合RSS信息,从而降低定位所需计算资源,所以本文分别利用RSS和CSI这两种不同粒度的信息分别实现区域定位与精确定位,尽可能有效利用不同粒度信息的各自优势。基于以上原因,本文开展了基于RSS与CSI混合指纹的室内定位方法研究。一般来说,大部分需要室内定位应用的公共场所,如:商场、办公楼,其室内环境复杂,导致RSS信息或CSI信息无法被直接利用,从而无法有效估计AP与待定位目标之间的距离。相比距离估计法,室内环境复杂对指纹法影响较小,结合RSS信息与CSI信息的各自特点,本文提出了基于RSS指纹的区域定位法以及基于CSI指纹的精确定位法。针对基于RSS信息的区域定位法,本文首先通过真实实验分析了RSS信息的稳定性:针对RSS的突变现象(spike),本文提出了高效的识别方法与纠正方法;针对beacon延迟造成的RSS信息丢失,本文通过真实实验验证其低秩性,然后,利用SVD方法对有延迟的beacon相应RSS信息进行恢复。为了尽最大可能降低不稳定AP相应RRS信息对定位的干扰,与已存在相关研究工作不同,本文并没有将不同AP的RSS信息组成向量作为整体综合考虑,而是利用每一个AP的信息分别进行定位,然后将所有的定位结果进行组合,从而降低某一个不准确的RSS信息对定位系统带来的风险。并且不同于已有研究基于RSS信息进行准确定位,本文提出了一种基于单AP RSS信息进行区域定位的方法,从而保证基于RSS信息的区域定位结果包含目标真实位置,为基于CSI信息进行精确定位打好基础。针对CSI信息,本文首先对受到异构信号干扰的CSI信息进行了识别;鉴于室内定位应用下CSI数据的复杂性与高维度性,本文没有利用CSI信息进行相似性比较或线性空间下的特征提取,而是利用深度神经网络对CSI特征进行黑盒建模,在避免显式提取有效CSI信息特征的基础上充分表达不同位置之间CSI指纹之间区别,具体来说本文对不同位置分别训练不同的神经网络并利用其对应神经网络的权值作为“指纹”,将待定位目标的CSI指纹作为不同位置相应深度神经网络的输入,通过比较不同位置的深度神经网络的输出与待定位目标的CSI指纹的差距,利用贝叶斯推断最终决定其精确位置。本文通过真实实验验证了以上算法的有效性,与其它已有基于CSI信息指纹室内定位方法比较,本文的方法从错误平均值与错误标准差两方面都达到了更好的效果。