近年来,随着通信信息技术和移动智能终端的快速发展,基于位置的服务越来越受到人们的广泛关注,人们对室内领域的定位服务需求也越来越强烈。目前,基于无线局域网的室内指纹定位技术以其成本低、易于实现、便于扩展、定位精度高等特点逐渐成为当前研究的热点。基于位置指纹的室内定位技术利用实时接收的信号强度与位置指纹数据库相匹配来估计用户位置信息,因此在离线阶段建立的位置指纹库对精准定位至关重要。然而接收信号强度(Received Signal Strength,RSS)容易受到复杂环境变化、多径、阴影效应等问题的影响,导致位置指纹库中掺杂离群点和噪声,定位精度下降。同时离线阶段建立指纹库需要在每个参考点采集指纹信息,这需要巨大的工作量,严重影响该方法的实用性和推广。为此,本文通过对相关文献的查阅和实际实验分析,进行了如下的研究工作:(1)通过理论分析以及数据实验,证明了RSS之间的空间相关性和时间相关性,该相关性在指纹库中就表现为矩阵的低秩属性。据此针对指纹库中掺杂离群点和噪声的问题,提出利用该低秩属性结合Robust Principal Component Analysis(Robust PCA)算法对指纹库进行恢复的预处理。并详细分析了传统Robust PCA模型的优劣性,提出了利用加权核范数代替核范数,引入矩阵2,1范数正则项的改进Robust PCA优化模型。同时针对该改进的优化模型结合交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)进行了算法推导。经仿真数据和真实环境数据验证,所提出的算法能有效去除指纹库的离群点和噪声,并提高指纹库以及在线定位的精度。(2)针对离线阶段建立位置指纹库需耗费巨大的工作量,以及定位区域内某些位置处无法测量的问题,提出了基于Matrix Completion的高效指纹库构建算法。利用指纹库的空间相关性和部分已知参考点处的RSS,自动填充完整的位置指纹数据库。并提出了改进的Matrix Completion优化模型,以提高指纹库构建的精度以及对噪声的鲁棒性。针对改进模型的优化问题进行了详细的算法推导。同时针对Matrix Completion无法有效处理全零行和全零列的问题,提出了结合K邻近方法(K-Nearest Neighbor,KNN)的指纹库填充算法。最后通过仿真数据和真实数据实验验证了所提出的算法可以有效的填充未知点的数据,减少离线阶段的工作量,以及较其他算法更优越的性能。