随着互联网和无线技术的迅速发展,利用移动设备获取位置服务正从各个方面影响着人们的学习和生活。虽然在空旷的室外环境下,GPS等定位系统能有效地进行定位;但是在复杂的室内环境中,由于无线信号在穿透遮挡物时会产生较为严重的衰减,导致卫星定位系统定位精度低。因此现如今,以ZigBee网络为基础实现位置指纹匹配定位是解决该难题的一个合理方案。本文以能够为室内用户提供精确的定位信息为研究目标,对基于位置指纹匹配的ZigBee室内定位技术中的三个关键环节进行了研究与分析。针对基于ZigBee位置指纹室内定位技术中的三个关键环节(指纹数据库的建立、参考节点的选择、定位结果的预测)存在的不足,本文搭建了一套完整的ZigBee室内定位系统。本文首先从降低ZigBee信号的波动性入手,对ZigBee信号强度进行修正,以此来提高定位系统的准确性。分析了时间变化、动态环境、人员走动等因素对ZigBee信号的影响,针对ZigBee信号具有时变性这一特点,采用改进z分数法对离线阶段采样的信号强度数据集进行预处理。实验结果表明,该方法能有效地剔除大幅度变化的畸变值,从而建立更加准确的位置指纹数据库,以此提高了系统的定位精度。其次,为提高位置指纹匹配法的定位预测精度,本文提出了一种基于改进堆叠自编码器的深层神经网络算法。在堆叠自编码器中引入了ReLu激活函数和Adam优化算法,通过改进堆叠自编码器进行特征提取和参数优化,然后将特征提取后的信息通过深层神经网络进行非线性回归预测,建立ZigBee信号特征与目标位置信息的定位模型,通过该模型来实现对未知位置的定位预测。实验结果表明:该算法能有效地降低ZigBee信号强度波动带来的随机性对系统定位精度的影响,在定位精度与系统高可用性之间达到不错的平衡。最后,针对ZigBee路由器并非全部可用和定位子区域与ZigBee路由器(ZigBee Router,ZR)节点之间相关性的不足,提出了基于K均值聚类和强相关性ZR节点选择的算法,将室内区域聚类并划分成若干个子区域,并分别计算各个子区域与ZR节点之间的相关性,选取相关性强的ZR节点作为该子区域的训练节点,通过基于改进堆叠自编码器的深层神经网络模型进行定位模型训练并预测。实验结果表明,该方法可以有效地选择位置分辨能力强的ZR节点以及减小失效ZR节点对定位精度的影响。