21世纪正处于信息化高速发展的时代,各行各业都在向信息化、数字化快速迈进,信息技术的快速发展为基于位置服务（Location Based Service,LBS）的室内定位技术带来新的机遇与挑战。目前,研究较多的是室内指纹定位技术,但是现有的研究工作中存在以下两个主要问题:（1）在实际定位过程中,对接收信号强度指示值（Received Signal Strength Indication,RSSI）只是进行简单的滤波处理来降低其波动性,无法得到与真实RSSI值偏差较小的RSSI数据,从而影响定位精度;（2）在实际定位过程中,现有的利用Wi-Fi信号进行位置感知的算法,如支持向量机（Support Vector Machines,SVM）分类算法、贝叶斯（Na（?）ve Bayes）分类算法等,它们在大型室内场所位置感知的识别准确率不高、稳定性差。本文为了解决上述问题,选择室内Wi-Fi指纹定位技术作为研究课题,并展开相关的研究工作。通过阐述国内外室内定位技术的研究现状,洞察科研工作者们的研究动态,并结合本文研究课题展开相关的研究工作。本文提出两种改进的室内指纹定位方法:（1）基于GF-KF修正RSSI的室内指纹定位方法;（2）基于组合优化算法改进的室内位置感知方法。本文围绕以上两种方法开展研究工作,主要研究工作如下:（1）通过在复杂的室内环境采集大量的Wi-Fi数据,对移动终端接收的RSSI数据进行特性分析研究。本文主要对RSSI信号的三大特性:衰减性、时变性、空间差异性展开实验验证与分析,同时也对常见的RSSI数据处理方法进行理论研究与实验对比分析。（2）针对Wi-Fi信号易受噪声等外界不确定因素的影响以及移动终端接收的RSSI值与真实RSSI值存在偏差而导致室内定位精度不高的问题,提出一种基于GF-KF修正RSSI的室内指纹定位方法。该方法利用RSSI类高斯分布的特性,对RSSI数据进行高斯拟合（Gaussian Fitting,GF）,以得到较为确定的RSSI值。通过引入卡尔曼滤波算法（Kalman Filtering,KF）对拟合后的RSSI数据进行误差修正,再结合加权K近邻算法（Weighted K-Nearest Neighbor,WKNN）进行在线匹配定位。实验结果表明,该方法的平均定位误差为1.5m,2.0m以内的定位误差分布概率为90.06%。（3）针对在室内环境中利用Wi-Fi信号来定位人员等移动目标的区域位置的识别准确率不高的问题,提出一种基于组合优化算法改进的室内位置感知方法。通过智能手机等移动终端采集RSSI来构建用户在室内行走时位置指纹数据库,将粒子群算法（Particle Swarm Optimization,PSO）和引力搜索算法（Gravitational Search Algorithm,GSA）进行组合来获取训练神经网络模型的权重系数进行模型训练,利用训练好的模型测试室内位置感知的效果。实验结果表明,该方法的室内位置感知的识别准确率为98.35%,与神经网络、贝叶斯、支持向量机以及基于神经网络改进的同类方法相比,识别准确率至少提高4.79%。