当前,在移动互联网上基于用户端室内位置的服务日渐增多,如电子商务通过准确定位用户的位置可以进行有针对性的商品推荐;紧急救援(如火灾、坍塌等)通过精确确定营救目标的位置有利于实现第一时间的有效救援;通过位置信息还可做如医院对病人实现追踪、对医疗物品进行监管等辅助工作的应用;在社交应用中通过获取用户的室内位置,可以组建群组来丰富用户的社交活动。这些应用都以室内位置信息为依托,使室内位置信息的获取显得至关重要。本文首先阐明了室内定位区别于室外定位的特点,以及在室内定位中所使用的基于无线局域网、基于地磁、基于红外、基于超声波以及RFID的常用方法,考察总结出由于Wi-Fi节点布设广泛并且覆盖的有效距离合适,适合于一般室内场景的定位,但是,采用Wi-Fi信号的接收强度指示(RSSI)所做的指纹定位受制于离线阶段的数据标定以及由于环境的高动态性使训练样本逐渐降低所造成的定位精度随时间下降的困难。针对由于网格太小造成数据标定量巨大但网格大定位精度不高的数据标定困难,研究了可处理大量样本的极速学习机(ELM)来映射多维RSSI与位置指纹的类关系,进一步使用了增加网络层数和加权输出的极速学习机模型(W-ELM)。在离线阶段用采集到的指纹数据训练W-ELM分类模型,在实际环境预测时根据输出值选择可能性最大的若干个邻居位置点加权求得定位结果。实验证明,基于W-ELM模型有效地扩大了求解的搜索空间,与ELM以及经典的k近邻法、支持向量机定位方法相比,定位精度得以提高。针对环境的高动态性使训练样本的有效性逐渐降低的困难,研究了在线极速学习机模型(OS-ELM),利用修正模型中增量数据的覆盖范围和数据时效性还提出了改进的学习机模型M-OSELM。在定位学习机模型精度下降时,可采集少量的新数据对原有模型更新学习而不重新训练,并且根据新数据的覆盖范围以及数据时效性,提出了修正权重计算公式。实验验证了覆盖范围权重因子和数据时效性权重因子均对提高定位精度有效。