随着无线网络的广泛普及和移动智能终端的迅猛发展，基于位置的服务受到越来越多的关注，在紧急救援、医疗保健、社交网络、导航和监控等领域已获得广泛的应用并展示出巨大的市场前景。其中，高精度的室内定位技术是实现位置信息服务的必要前提和关键。已有的室内定位技术大多数需要额外的专用硬件设施，使用成本高，覆盖范围小，限制了基于位置的服务在室内环境的普及。基于无线局域网(Wireless LocalArea Network, WLAN)和接收信号强度(Received Signal Strength, RSS)的室内定位技术，完全基于现有的WLAN基础设施和移动终端就能独立实现定位，无需任何额外的专用设备，成本低，且能满足大多数室内定位应用的精度需求，成为室内定位技术的研究热点。然而，复杂的室内无线电传播环境，对基于RSS的WLAN指纹定位技术提出了极大的挑战。其根本原因在于，RSS受到多径效应、人体吸收、信号干扰等多方面的影响，表现出高度的不确定性和非线性特性，使得RSS与物理位置并非一一映射的关系，严重影响WLAN指纹定位技术的定位精度。本文对基于RSS的WLAN指纹定位技术进行了较为系统的研究。基于国内外研究现状的分析，指出了已有WLAN指纹定位技术中的主要环节（聚类分块、接入点选择及定位特征提取）存在的不足。本文的研究旨在改进这些不足，围绕降低RSS不确定性这一关键问题，应用机器学习领域的前沿理论成果——核函数学习、流形学习、信息熵和支持向量机，一定程度上完善了基于RSS的WLAN指纹定位技术。研究内容主要包括以下几个方面：第一，研究RSS信号的定位特征提取问题，本文提出了基于核直接判别分析(Kernel Direct Discriminant Analysis, KDDA)的LKDDA-APS定位算法。在复杂室内无线电传播环境下，直接将RSS信号做为定位算法输入特征，将引入大量冗余和噪声信息，降低定位精度。于是，需要采用特征提取算法对各个接入点(Access Point,AP)的RSS信号进行融合，以去除冗余和噪声信息，降低RSS不确定性。针对已有的特征提取算法无法有效适应RSS的非线性特性的问题，本文提出采用基于核函数学习的KDDA提取具有最大判别能力的定位特征。此外，LKDDA-APS算法结合了本文所提出的聚类分块、联合AP选择和支持向量回归学习算法。实验结果表明，与传统的定位算法相比，LKDDA-APS算法在显著提高定位精度的同时，大大降低了参考点采集工作量。第二，以降低用户终端能耗为目标，本文提出了基于局部判别嵌入(LocalDiscriminant Embedding, LDE)的LLDE-APS定位算法。为了保护用户隐私，WLAN指纹定位技术往往采用用户端架构，将定位计算过程放在用户终端，但是用户端架构要求尽可能降低终端能耗，以延长终端设备使用时间。基于此应用背景，本文在LKDDA-APS算法的基础上提出LLDE-APS算法，以计算复杂度更低的LDE取代KDDA，提取高维RSS信号空间的低维流形定位特征。实验结果表明，LLDE-APS算法的定位精度略低于LKDDA-APS算法，但是仍然明显高于其它传统定位算法。与LKDDA-APS相比，LLDE-APS可以大幅降低在线定位计算复杂度，从而实现降低用户终端能耗的目标。第三，研究RSS信号源即AP的选择问题，本文提出了一种联合AP选择算法。不同AP的RSS信号所含的定位信息量不同，并不是所有AP都有利于定位精度的提高，需要对AP的判别定位能力进行度量，并选取最优AP子集合用于定位。针对已有AP选择算法没有考虑RSS信号相关性的不足，提出了联合AP选择算法，以信息熵理论为基础，选取具有最大互信息增益的AP子集合用于定位。实验结果表明，与已有AP选择算法相比，联合AP选择算法选取的AP子集合是最优的，有助于后续定位算法精度的提高和复杂度的降低。第四，研究定位区域的聚类分块问题，本文提出了一种新的聚类分块算法。在大范围的室内定位环境下，由于RSS的统计特性随物理位置变化而改变，建立在整个定位区域的学习定位模型是次优的，将降低定位精度，并增加算法复杂度。于是，有必要采用聚类分块算法，将定位区域划分为若干定位子区域，在各个子区域建立定位模型。针对已有聚类分块算法无法保证较高分类精度的问题，提出了一种新的结合k均值聚类和支持向量机分类器的聚类分块算法。实验结果表明，与已有聚类分块算法相比，所提聚类分块算法能更有效地适应RSS的不确定性和非线性特性，提高分类精度。