随着科技发展,基于个性化推荐的位置服务正逐步火热。但在室外定位发展如火如荼之际,室内定位却由于多径和非视距等问题,面临诸多挑战。本文主要提出了基于轻量梯度提升机（Light Gradient Boosting Machine,LightGBM）的室内定位模型,具体研究工作如下:首先,针对室内环境接入点（Access Point,AP）过多和指纹数据维数过高的问题,本文研究了基于费希尔（Fisher）准则的AP选择策略和核主成分分析（Kernel Principal Components Analysis,KPCA）算法,并分别对它们进行了对比实验。实验表明,基于Fisher准则的AP选择策略在两米内的累积误差分布优于经典AP选择算法。同时,实验也表明KPCA可以有效减少原数据80%的特征冗余且在定位误差表现上也优于传统特征选择算法。接着本文联合基于Fisher的AP选择策略和KPCA算法,提出了Fisher-KPCA算法,该算法同时应用于指纹定位的离线和在线阶段。离线阶段,Fisher-KPCA会先对指纹数据中包含的大量AP进行筛选,从所有AP中挑选出最可靠的AP子集并生成AP选择方案。随后对处理后的指纹数据应用KPCA进行降维处理,进而得到新的特征指纹,同时生成特征转换矩阵。在线阶段,Fisher-KPCA会根据离线阶段生成的AP选择方案和转换矩阵来处理实时测量的接收信号强度（Received Signal Strength,RSS）向量,从而得到最终的待匹配向量,以上就是Fisher-KPCA的全部流程。实验表明,Fisher-KPCA可以在一定程度上提升模型的定位准确度,且应用Fisher-KPCA的定位模型在置信率上优于常见联合算法。最后,本文结合上文的Fisher-KPCA联合算法,提出了基于LightGBM的室内两阶段定位模型。该模型通过聚类算法构建两阶段匹配的定位结构,并给出了室内定位的整套处理方案。首先,在离线阶段,参考区域的位置指纹数据在经过高斯滤波和标准化后,会通过KMeans++来进行聚类处理,从而分为多个类区。接着再利用Fisher-KPCA对各类区指纹数据进行AP选择和降维处理,构建区域特征指纹库。在线阶段,实时测量到的RSS向量在经过Fisher-KPCA处理后,通过LightGBM类匹配到数据所属类区。之后再利用LightGBM将处理后的RSS向量与分区指纹库中的位置指纹进行匹配,得到定位结果。实验表明,本文提出的定位模型有效提高了定位过程的计算效率,对比随机森林、支持向量机和逻辑回归等传统室内定位模型,本模型在运算速度上分别提高了28.8%、26.5%和49.2%。另外在累积误差分布上,本模型的表现也优于另外三种定位模型。