随着经济社会的飞速进步、移动设备的普遍应用以及无线网络的的广泛覆盖,用户可以使用移动计算设备在任何时间任何地点接入网络,因此越来越多的企业、服务商将目光定位到基于位置服务(Location Based Service,LBS)。移动定位服务指的是通过可接入网络的移动终端(User Equipment,如手机)和各大运营商的网络(如LTE,WCDMA,GSM)相互配合,在用户许可的条件下定位UE位置,通过准确的位置信息,从而提供给用户与UE的位置相关联的增值服务。指纹匹配定位技术在国内外得到广泛的关注,并在一定范围内得到了应用,但是并没有一套成熟适用的理论体系,在本论文中,将从数据的预处理、数据分析、特征提取、匹配算法,并且兼顾大数据量指纹情况下的定位实时性等问题,提出一套较为完整的算法模型,并进行检验。本文主要研究基于蜂窝网络下众包数据定位方案,为了解决该定位环境下精度以及效率的问题,首先进行数据筛选,剔除所测数据中的GPS漂移数据,然后在指纹匹配定位算法的思想基础下,对数据进行分析和建模,采用多种机器学习模型,针对数据多维特征进行分析、整合,不断提高定位精度。同时,为了兼顾训练效率,利用Hadoop分布式计算框架,利用多台计算机搭建集群,同时分布的进行匹配运算,除本身数据集外,还采用天池大数据算法大赛中商场中精确定位用户所在店铺数据进行验证,事实证明,极大地提升了匹配效率。本文首先介绍了传统的蜂窝网络下的定位算法,然后介绍近几年定位算法中常用的机器学习算法,重点对受限玻尔兹曼机进行模型以及训练进行阐述,同时,介绍Hadoop集群框架以及各个组件应用。之后,将受限玻尔兹曼机(RBM)分类与基于最大相似度的定位算法相结合,并将基于最大相似度的定位算法引入K近邻算法,提出一种加权最大相似度算法,同时,为了构建稳定可靠的训练数据集,不妨将分布在同一划分区域内的多条数据通过特定算法聚类为健壮的数据,滤除单条数据存在的奇异特征,此举进一步提高定位精度,最后介绍Hadoop集群的配置信息以及完整的搭建过程,并将算法进行分布式编程,在Hadoop集群上部署实现,以达到效率以及精度的同时提升。然后对Hadoop集群进行优化设置,提高系统的容错率以及运行效率。