随着移动互联网的高速发展,人们对基于定位追踪的位置服务需求也日益增长。现有的卫星定位技术只在没有障碍物遮挡的室外环境中适用,而难以在复杂的室内环境中提供准确的位置信息。为此许多学者提出了大量基于不同传感器的室内定位方法。但现有的室内定位方法普遍存在一个问题,即观测到的传感器数量和种类会随着时间变化而不断改变,使得定位样本和指纹库中样本维度异构,从而造成定位误差的增加。迁移学习能够从一个域中学习知识并迁移到不同但相关的域上,它在处理源域和目标域中的分布差异、维度失配、标签不足等问题时有着极大的优势。其中,异构迁移学习主要研究从特征空间不相同的域中获取知识并迁移,能够解决室内定位中面临的异构问题。因此,本文将迁移学习的思想用于室内定位场景,提出了两种基于异构迁移学习的室内定位方法,主要工作如下:1.针对传感器数量和种类部分缺失的异构问题,本文提出了基于共有特征的异构迁移学习方法。该算法以共有特征为桥梁,以分布对齐和散度优化为约束,学习一个从共有特征到缺失特征的映射,并通过这个映射对目标域缺失特征数据进行填充,解决了由于特征数据不足导致定位精度下降的问题。最后实验结果证明了该算法在目标域存在复杂的特征数据缺失的情况下能够达到较好的定位结果。2.针对传感器数量和种类剧烈变化的异构问题,本文提出了基于共现数据的异构迁移学习方法。该算法以共现数据作为桥梁,通过计算一个映射将源域投影到目标域所在的特征空间中,并在这个特征空间中进行知识迁移。该算法在不重建指纹库的情况下,对环境的变化仍具有良好的适应性。最后在实测数据中的实验结果显示,在极少共现数据下该算法能够取得较好的定位精度。