近年来,科技水平的提高推动着生活方式的改变,基于位置的服务在生活中成为了非常重要的一部分。在室外环境下,卫星导航系统已经十分完善,但此系统并不适用于室内环境,因此,室内环境下的定位服务成为了研究的重要方向。基于无线局域网的室内定位技术因其硬件成本低,组网方式灵活,基础设施方便等优势,受到了研究者的关注。起初的研究热点是基于接收信号强度指示(Received Signal Strength Indication,RSSI)的特征,但随着硬件技术的不断发展,研究者发现,仅依靠RSSI并不能完全反应环境的现状,基于物理层的信道状态信息(Channel State Information,CSI)更能体现环境的变化。因此,本文提出了一种基于CSI的被动式室内定位方法,以集成学习方式训练指纹模型,主要的工作内容如下:(1)在分析了信号的传播模型及在无线保真(Wireless Fidelity,WIFI)环境下的定位优势,把CSI选作指纹特征,并通过采集单位时间内CSI数据,验证了CSI具有时间稳定性,频率多样性和空间差异性等特性,为后续实验提供了理论基础。(2)本文采用基于密度的聚类方式对实验采集到的数据进行处理,通过空间距离的判断,选出指纹集中的边缘数据看作异常数据,并将其剔除,保证实验数据的可靠性。通过主成分分析来实现特征降维,将降维后信息作为输入指纹特征。(3)选择集成分类器adaboost作为主分类器,通过多次学习来提高学习的准确率。最终通过置信概率回归将分类器的输出结果转化为空间的二维坐标,将定位问题最终转化为回归问题。通过在空旷的走廊和复杂的实验室两个具有代表性的环境下实验,本文提出的被动式定位方法能够有效改善室内定位的精度,达到预期的成果。在1m的指纹间距下,空旷的走廊中平均误差可达到0.88m,在实验室内误差较走廊中会增大0.5m。采用概率回归的定位精度相比其它回归方法有大幅提高。