随着人类社会迈入5G时代,基于位置的服务也飞速增加,生活中的自动驾驶、无人工厂等都需要获取设备的精确位置信息,因此定位技术受到了越来越多的关注。传统定位技术研究方向主要分为基于参数的定位技术和基于指纹的定位技术,但对于传统基于参数的定位方法而言,需要很高的计算复杂度来对信道参数进行精确估计;对于基于深度学习的指纹定位技术而言,则需要对实验环境中的指纹数据进行收集和建模来形成指纹数据库并通过指纹的匹配来完成定位,成本很高且对实验环境有较高依赖性,当环境发生变化时定位精度波动较大。此外,由于卫星定位的广泛应用,目前对定位技术的研究主要集中在室内环境,但在非视距条件（Non Line Of Sight,NLOS）下卫星定位的精度会较低。针对此问题,本文给出了一种基于无指纹的深度学习终端定位方案,探讨了在大规模多输入多输出系统中的用户定位问题,提出了一种采用三维卷积神经网络（3D CNN）来实现无指纹神经网络定位的方案。与传统定位方法不同,本文对目前定位技术的研究方向进行了开拓,将信道特征提取与特征处理两部分均整合到神经网络模型中,创新性的通过大量不同环境下的高维信道状态信息（Channel State Information,CSI）拟合出信道特征与终端位置的普适性映射关系来减少环境变化对算法性能的影响。首先在离线阶段设计并训练场景判别器和不同用户场景下的定位模型,在在线阶段则只需要获取终端用户的CSI并输入到场景判别器中,之后根据判别器所估计出的用户场景将数据输入对应训练后的网络模型中就可以实现位置估计,因此该方案也包括室外NLOS场景定位模型。另一方面,在传统通信中为了充分利用大规模MIMO技术的优点,需要基站端估算每个终端到基站的CSI,而基站同时也可以利用这些CSI信息进行用户终端定位,这样一来,就可以将此方法置于现有的通信系统中进而降低定位成本,同时不需要对信道参数进行估计,具备较低的算法复杂度。本文利用COST 2100信道模型仿真大量环境来验证所提方案性能,在每个环境下通过采集高维CSI来提高信息维度,使用的高维CSI包括了天线、频率和时间多个维度,作为该环境下对应的信道特征,仿真显示,该方案在保持较高定位精度的同时对于未参与训练的新环境也能实现较高的定位性能。