近年来,随着社会经济高速发展,人们在大规模室内场景中的活动越来越多,基于位置的室内定位服务需求激增。为了实现更高的定位精度,更低的定位时延,以及对系统实用性的要求,基于图像的室内定位（Image-based indoor Localization）技术被广泛关注。基于图像的室内定位技术能够降低系统实现对硬件设备的依赖性,提供较高的定位精度。但由于室内环境的面积大小不同、参考特征的丰富程度不同、参考物体的位置变化等因素,造成系统定位精度的降低和时延的增加。通过设计合理的图像定位算法能够有效解决这些问题,提升系统性能。因此,本文针对大规模室内场景中视觉指纹数据库创建与点云更新、图像检索、视觉定位等方面出现的问题,研究提升系统性能的算法和技术,主要创新点包含以下三个方面。第一,针对自动采集视觉指纹时指纹精度不足的问题,提出了行人运动位姿估计和相机视觉里程估计的算法,利用二阶锥优化将两种算法的估计值进行融合,有效提升自动视觉指纹采集方式获得的视觉指纹位置精度。另外,针对大规模室内场景中的参考物体移位问题,提出了基于众包的点云更新算法。算法基于区域全卷积神经网络将图像特征加入语义标签,分别使用随机抽样一致算法与非迭代的n点透视算法计算众包图像位姿,结合特征语义和误差门限确定移位物体。随后重新建立基于语义的n点透视方程,将方程求解转化为二次规划问题,求出移位物体点云的平移向量。仿真结果证明,本文提出的基于二阶锥优化的视觉指纹自动采集算法提升了指纹的精度,而基于众包定位的点云更新算法在无人干预的条件下可以完成定位环境中物体位置变动的检测,同时能够计算出物体点云的位置变化,提升了系统实用性。第二,针对在大规模室内场景中图像检索时延较大的问题,提出了基于线性图的检索模型,将图像检索问题分解为线性场景分类问题和线性场景中的图像检索问题。在此基础上,分别提出了使用图像全局描述符主成份和Softmax的线形图分类算法、基于聚合差分矩阵最大奇异值描述符的图像检索算法,在保证一定检索精确度的同时降低了计算复杂度。仿真结果证明,本文提出的方法能够为基于图像的定位系统进一步降低检索时延,同时保持一定的检索精确度。第三,针对在相机内参矩阵未校准条件下的n点透视（Uncalibrated Perspective-n-Point,UPn P）算法求解精度不足的问题,提出了基于Gr（?）bner基和二次约束二次规划问题的求解方法。该算法将内参矩阵未知的n点透视问题分解成焦距未知n点透视方程的最小化求解和抗噪两个子问题。算法通过四元数分解旋转矩阵、消元等方法降低求解代价,在此基础上利用Gr（?）bner基方法将多元多项式方程求解问题转化为矩阵特征值分解问题。为了减少焦距未知n点透视方程中未知系数中所含噪声对求解精度的影响,将最优解求解问题建模为二次约束二次规划问题,从而提升UPn P问题的求解精确度和鲁棒性。仿真结果证明,本文所提算法在相机内参矩阵未校准的条件下以较低的计算复杂度实现了UPnP方程的精确求解,同时有效抵抗已知系数中的噪声影响。