近些年,物联网技术快速发展成为热点,无线定位技术随之得到越来越多的关注,室内定位技术作为物联网技术的一个重要研究领域因而被广泛研究。RFID凭借其非视距、短时延、低成本以及传输范围大等在室内定位技术中有很大优势。目前,基于RFID的指纹定位算法己较为广泛,但主要应用于二维定位,在应用场景更广的三维定位时,普遍存在定位算法成本过高或者精度不高的问题。在三维定位时,多采用指纹定位法。由于指纹定位法的实质在于找到RSSI信号与位置信息的非线性表达,但在实际应用过程中,由于环境的干扰,这种映射关系会存在波动。因此,研究真实环境下,RSSI与距离的量化关系成为解决RFID三维指纹定位技术的关键问题。深度学习模型具有较强的深层信息抽取和非线性建模能力。对此,本文提出一种基于深度学习的RFID三维指纹定位方法,并且根据RFID指纹定位技术的特点,展开了利用构建深度网络来实现定位系统的研究。本文的研究主要集中在以下2点:(1)提出了一种基于深度置信网络的RFID三维指纹定位方法,该方法具有很高的信号特征提取能力和非线性映射能力,应用于室内仓储定位系统,提取出的位置特征具有很高的精确度,对比人工神经网络法在室内仓储定位系统,其效果优势明显。(2)得出了完整的基于粒子群优化的深度置信网络的室内RFID三维指纹定位模型。包括基于小波去噪的信号强度数据处理和基于PSO-DBN的RFID标签位置预测。利用PSO算法优化DBN反向传播时的网络参数的最优解。通过对比实验发现,基于PSO-DBN的RFID定位模型,在预测误差、收敛速度、定位用时方面均优于传统的神经网络指纹定位方法。