为了满足无线电管理的要求,维护无线电秩序,保障室内无线电安全,对室内无线电信号源进行监测定位是十分必要的。射频（Radio Frequency,RF）指纹定位技术因其高精度和低成本的优势,成为目前应用前景十分广阔的室内定位技术之一。本文基于RF指纹发射端定位技术,对大型室内无线电信号源进行定位,针对如何提高定位效率与减小定位误差进行研究,主要的工作内容及创新点总结如下:（1）介绍了RF指纹信号源定位的原理,分析了无线电信号在实际室内环境中传播受到的影响。针对室内信号源定位的特点,完善了指纹库建立的过程并优化了RF指纹定位的流程。通过配置实际实验场景,对来自不同参考点的指纹数据进行采集与处理,建立指纹数据库和测试数据集,为评估RF指纹定位的性能提供了数据支持。（2）对RF指纹聚类方法进行剖析,通过K均值聚类算法将指纹库的数据聚类,以提高定位效率。为了提高该算法的聚类效果,提出了一种基于奇异值分解（Singular Value Decomposition,SVD）的改进K均值聚类算法。在聚类前对由指纹向量构成的矩阵进SVD处理以得到对角阵,保留对角阵的对角线上较大的奇异值,然后使用逆SVD过程得到重构矩阵,即完成对指纹特征的提取,增强了指纹间的区分度。之后结合SVD提取指纹特征的部分与手肘法确定聚类数K的部分,确定了改进聚类算法的步骤与实现流程并进行了实验,实验结果表明改进后的聚类算法的聚类效果较原算法有所提高。（3）对基于方差加权的加权K近邻（Weighted K-Nearest Neighbor,WKNN）定位算法进行了优化,以提高定位效果。针对当欧式距离作为定位算法中度量指纹相似度的标准时会忽略指纹间不同特性的差异,从而影响定位精度的缺点,提出了基于马氏距离、卡方距离以及相对误差欧氏距离的三种改进定位算法。实验证明了基于卡方距离的方差加权WKNN定位算法的定位精度优于其他算法,在大型室内环境中的平均定位误差为4.14 m;当累计误差概率为80%时,定位误差可以达到7.88 m。此外,在保证定位精度不变的情况下又将K-Dimension（KD）树引入定位算法,构建KD树将指纹库中的多个K维指纹向量进行划分,利用树型结构存储与检索指纹数据,减少待定位点的指纹与指纹库中指纹进行对比计算的次数,以进一步提高定位效率。通过将KD树引入不同定位算法的实验结果可知,引入KD树后的定位算法与之前相比定位速度至少可以提高30.16%。