社交物联网(Social Internet of Things,SIo T)技术不仅是能够感知真实环境的新技术而且可以实现与对象建立社会关系。社交物联网技术通过相互作用的对象以及商品网络之间的连接,可以实现对象和服务的发现。针对传统的基于传感器的室内定位技术对硬件要求高的问题,基于社交物联网的原理,本文提出了一种基于SIo T的新颖的室内定位方法。该方法将语义指纹数据集和逻辑方法相关联,以获得子场景下的辨别力,从而获得更准确的定位位置,以此实现细粒度的定位。针对WIFI信号容易受到环境等客观因素干扰的问题,本文提出了基于加权中值高斯滤波器的滤波方法;对于指纹数据库更新困难的问题,本文设计了基于WIFI数据信息提取的语义提取模型;对于小场景定位问题,本文提出了基于多维空间相似度的子场景定位模型。特别是,本文在子场景模型中,本文使用了基于多维空间相似度的室内定位方法。这种基于多维空间相似度的室内定位方式可以很有效的提高定位效率。本文提出的基于社交物联网的室内定位机制已通过实验对算法的性能进行了评估。实验的结果证明了本文提出的室内定位方法的有效性。本文研究的主要工作内容与贡献如下:(1)深入研究了基于社交物联网的室内定位基本原理本文首先系统地分析了传统的室内定位相关技术原理,深入的研究了社交物联网的原理及社交物联网在室内定位领域的应用前景。其次,本文也对RSSI测距模型及基于RSSI指纹数据集的室内定位算法进行了系统的研究。基于以上研究,本文总结出了它们优势以及存在的缺陷,并在保留优势的同时对存在的缺陷提出了有效的解决方案。(2)提出了基于社交物联网的多维空间相似度室内定位算法为了克服随机误差对室内定位结果的影响,本文提出了将RSSI指纹数据集采集阶段分为信号采集阶段和云预处理阶段的方法。在信号采集阶段,本文采用离心方向(CD)方法在参考位置接收来自八个方向的信号。在云预处理阶段,本文采用加权中值高斯滤波器对信号数据进行处理,以减小信号误差干扰的影响。为了提高定位精度,本文通过多维空间相似度(MDSS)获取信号与距离的高度相关性进行室内定位,实现了定位结果精确度地提升。为了克服用空间相似度最高的指纹数据集的子集直接预测待测点的位置导致发生随机误差的问题,本文提出了根据信号选择权值来提高精度的方法。基于社交物联网的多维空间相似度室内定位算法不仅可以有效地减少工作量,而且还可以减少数据预处理时间。(3)提出了基于社交物联网的多场景融合室内定位方法为了对室内定位模型进行改进,对指纹场景数据集进行升级和预处理,本文提出了一种新的语义提取模型(SEM)。该SEM模型基于语义信息提取技术,可以在社交物联网中有效地提取有用的场景信息数据,并将场景信号数据存储在场景数据集中。该模型可以实现指纹数据集升级的问题,可以有效解决数据集更新的问题。为了获得更加可靠和准确的子场景,基于人工神经网络(ANN)的原理,本文提出了使用指纹数据库语义信息来筛选子场景的子场景识别(Subscene identification model,SSD)模型。该模型能够充分利用场地数据集数据信息,实现精准的筛选子场景的功能。为了提高室内定位结果的准确性,实现从大场景到子场景的定位转换,本文提出了基于子场景WIFI信息的定位优化模型。该模型使用特定的子场景指纹信号来实现更细粒度的室内定位功能。此外,通过对特定场景的指纹信号进行处理,本文可以获得一个按顺序排列的参考位置的序列。基于社交物联网的多场景融合室内定位方法可以将子场景的排列顺序作为权重因子,通过这种方式本文可以获得更准确的室内定位结果。实验结果表明,本文提出的基于社交物联网的室内定位方法解决了加权KNN定位算法、三角形定位等室内定位方法在多种场景下无法很好实现的室内定位的问题。此外,本文还进行了实验,以证明本文提出的多维空间相似度室内定位算法和多场景融合室内定位方法在的有效性。