在未来全空间位置感知服务信息网络融合的发展趋势下,无线局域网室内定位技术作为这一体系的重要组成和衔接部分将逐渐受到重视和青睐。由最初的距离依赖型算法发展到现在的模式匹配室内定位算法,包括人工神经网络、模糊推理系统和遗传算法等人工智能方法,利用无线局域网实现办公大楼、商场以及公寓住宅等室内通信的优势越来越明显,其中,随着组网拓扑多样化及定位高效化等要求,兼顾复杂组网结构、动态变化环境特征的人工智能方法逐步成为了无线局域网室内定位的重要算法,从而,如何实现人工智能定位算法的有效结合是整个室内定位系统设计的核心问题。针对人工神经网络室内定位算法训练速度慢,易陷入局域极小和全局搜索能力弱等缺陷,本文通过对网络泛化能力的计算,研究了遗传算法优化神经网络定位算法设计过程中的几个相关问题：第一,建立了遗传算法学习的人工神经网络定位模型。由于传统的后向传播人工神经网络具有收敛速度慢,初始权值,阈值以及网络结构的选择缺乏依据等问题,使得定位结果不够稳定。因此,在此部分中,通过对人工神经网络模型和室内定位算法的深入研究,提出基于遗传算法学习的神经网络设计,并建立遗传神经网络隐层节点的优化模型。第二,提出了遗传神经网络的泛化能力度量。首先,结合神经网络定位算法的学习规则和泛化能力计算,提出刻画遗传神经网络适应动态变化的室内环境的泛化能力度量方法。然后,通过对目前遗传算法常用的编码方法优缺点和适用范围的分析,提出根据网络泛化能力保障准则选择最适宜的遗传编码方法。第三,提出了基于泛化保障的遗传神经网络定位算法。首先,用遗传算法优化神经网络,使其具有自进化、自适应能力,构造出连接权、网络结构和学习规则进化的神经网络。然后,根据遗传参数的差异性讨论和泛化保障的编码方法选择,并结合适应度作为度量函数,讨论参考点间隔的选取准则,利用理论分析和系统仿真,确定网络参数和结构,进而实现室内定位算法的优化设计。本论文通过对遗传神经网络的泛化能力分析与设计,提出了基于泛化保障的编码方法优化的遗传神经网络室内定位算法,在未来无线局域网络的高动态特征环境下,能有效提高室内定位系统的可靠性和环境适应性。