随着电子信息和物联网技术的高速发展,位置服务(Location Based Service,LBS)已经成为新时代的研究热潮。GPS和北斗导航定位技术可以提供连续、高精度的室外定位服务,包括车辆跟踪与导航、行人导航等。但在室内环境中,由于卫星信号受非视距传播的影响,室内定位精度无法满足定位要求,因此室内定位技术有很大发展空间。由于i Beacon节点具有低功耗、方便部署、信号发射频率快等特点,同时智能手机、平板电脑等设备都支持此功能,因此,本文重点研究i Beacon定位技术。通过查阅室内定位相关参考文献,本文对常见的室内定位技术和算法进行详细地分析与介绍,并充分研究了常用的基于机器学习的指纹匹配定位算法,应用主成分分析法(Principal Component Analysis,PCA)、BP神经网络、自衍射传播聚类(Affinity Propagation Clustering,APC)以及加权K近邻(Weighted K Nearest Neighbor,WKNN)算法进行指纹匹配定位。本文的主要研究工作如下:(1)实现了基于i Beacon的室内定位系统。Android客户端负责采集i Beacon信息、数据封装以及数据传输。后台服务器进行客户端数据的解析和处理,执行定位算法,并将结果反馈给客户端显示。(2)针对i Beacon信号在一定范围内波动和噪声信号干扰的问题,本文在某一固定参考点采集固定次数的i Beacon信号值,得出信号值分布符合高斯分布,确定了采用融合高斯滤波和卡尔曼滤波的方式来获取真实信号值的方案。(3)针对离线指纹库建立阶段无线指纹信息采集工作量大的问题,本文采用克里金插值法对一定数量的参考点进行信号插值,建立完善的指纹库。(4)针对传统的机器学习指纹匹配定位算法定位精度低和计算量大的问题,提出了基于BP神经网络和WKNN的组合定位算法。首先对离线指纹库进行主成分分析,得到其PCA转换矩阵,将指纹库进行自衍射聚类划分和BP神经网络训练。在定位阶段,首先将信号向量进行PCA转换,判断信号向量所属子区域并采用WKNN算法进行位置预测,同时对信号向量进行BP神经网络坐标预测,最后将上述两者的预测坐标进行加权平均得到最终的位置坐标。实验结果表明,采用克里金插值法对未知参考点进行信号插值可有效减少离线指纹库信号采集工作。同时,对离线指纹库进行主成分分析可适当提高定位精度,自衍射传播聚类可减小指纹匹配计算量,提高指纹匹配效率,组合定位算法定位精度要优于单一定位算法。