近年来,随着移动设备的广泛普及和移动互联网的高速发展,许多移动应用中都包含定位模块,它给人们的生活带来了越来越多的便利,目前已经深入人们生活的方方面面。当前,在室外环境下,全球定位系统(Global Positioning System,GPS)、北斗卫星导航系统,伽利略卫星导航系统,这种基于卫星信号的定位技术成熟,实时性好,抗干扰能力强,定位精度较高,可以满足人民的日常生活需求。但是,在室内环境下,由于环境的复杂多变,使其在室内环境下的定位精度比较低,所以他们不适合室内定位的研究。但是,在一些特殊的场合,室内定位也有着较强的需求。目前,基于信道状态信息(Channel State Information,CSI)的室内定位系统,因为它具有操作简单,无需用户携带便携式设备,并且定位精度较高,所以受到了研究者的广泛关注与应用。本文提出了基于Keras深度学习框架的信道状态信息被动式室内定位的方法,主要工作如下所示:我们分析了无线信号的传输特性,详细解释了无线信号的传输方式与信号的组成,还总结归纳了影响信号传输的各种因素。其次介绍了一些传统的室内定位方法,并指出了他们的优缺点,其中主要介绍基于RSSI和CSI的室内定位方法。在以上的基础上,提出了基于CSI的室内定位系统,并对其进行了详细的介绍。首先,我们对采集的CSI数据分别提取出幅值信息和相位信息,并对他们进行预处理,通过离散小波变换(Discrete Wavelet Transformation,DWT)去除噪声,通过主成分分析法(Principal Components Analysis,PCA)进行数据降维,将高维度的CSI数据映射到低维空间。之后我们对数据进行特征选择,即对预处理后幅值数据和相位数据进行比例划分,构成新的数据集。最后采用基于Keras深度学习框架的长短期记忆网络(LSTM,Long Short-Term Memory)对数据进行训练,得到基于幅值和相位的训练模型。在线阶段,训练模型通过调用预测函数对待测位置进行回归预测,得到待测位置的坐标。在空旷环境和复杂实验室环境中分别进行实验,评估该方法的性能,并与目前最先进的室内定位方案进行比较,同时也进行了多种对比实验验证我们的方法。