由于WLAN技术的日趋成熟,以及在接入速率和适应环境上与3G的互补性,使得WLAN成为室内环境尤其是热点地区重要的高速无线数据接入手段。此外,随着无线网络的普及、智能手机应用的激增,基于位置的服务受到越来越多的关注,在紧急救助、医疗保健、个性化信息传递等领域显示出巨大的活力。因此基于WLAN的室内定位技术成为国内外研究的热点问题。在现有的WLAN的室内定位技术中,基于位置指纹的定位技术由于使用范围广,能够以纯软件的方式实现,定位精度高,定位系统成本低等优点,展现出了明显优势。本论文对基于位置指纹的室内定位技术进行了较深入的研究,分析制约位置指纹精度提高的重要因素,提出了第一步利用K均值聚类及SVM分类器对RSS信号集分区,第二步基于位置指纹算法实现精确定位的分步定位算法,有效减小了搜索数据空间过大对定位精度的不利影响,并验证了此方案的有效性。论文的主要工作及创新点如下:首先,本论文对目前广泛应用的三种位置指纹定位算法进行了分析比较,包括K近邻法(KNN,K Nearest Neighbors)、神经网络算法、SVM回归算法。并重点分析了影响它们定位精度提高的主要因素。其次,本论文在研究SVM两类分类器分类原理,模型及参数选择的基础上,并针对SVM两类分类器在定位应用中的不足,提出了将SVM与KNN分类器相结合,利用KNN分类器对RSS集进行修剪的改进算法。最后,本论文将基于SVM的RSS集分区与KNN、神经网络、SVM回归算法相结合,实现了分步定位算法,并进行仿真实验。实验表明,基于RSS集分区的分步室内定位算法,可以有效地提高定位精度,减小计算量。