随着社会现代化的推进,智能手机已经普及人们的生活,基于位置的服务(Location Based Services,简称LBS)也越来越影响着我们,人们对于基于位置的服务的要求也越来越高。室内定位作为基于位置的服务中的一个重要技术,近年来受到了越来越多的关注。室内环境的复杂性导致了室外的定位方法如全球定位系统(Global Positioning System,简称GPS)等现有方式无法在室内实现良好的定位效果。并且,由于WiFi大量的在大型超市、医院、机场等场合的大量覆盖,利用WiFi信号实现室内定位成为了人们实现高效、经济、简单的室内定位的一种选择。然而,如何利用WiFi实现更加精确定位,如何应对多种场景下的不同需求,是一个亟待解决的问题。本文主要从以下两个方面展开工作:针对室内定位的粗定位(分类)问题,为了改善传统室内定位分类算法仅使用WiFi强度指纹作为特征的单一指纹方法,提升室内环境粗定位的分类精度,本文利用WiFi通信获得的WiFi指纹强度信息和一同获得的其他信息特征进行多特征融合,提出了基于集成学习模型(XGBoost与LightGBM)和多特征融合的定位系统。我们把所提出的定位系统应用在真实的场景中,实验表明,多特征融合的方法相较于传统单一仅使用WiFi指纹特征的方法能够提升定位的精确度,所引入的集成模型(XGBoost与LightGBM)相比传统的随机森林模型能够实现更好的定位效果,同时我们对于系统适用的场景也做了进一步的探讨。针对室内定位精定位(坐标定位)问题,本文就已有的基于特征缩放的方法k近邻(Feature Scaling based k-nearest neighbor,简称FS-kNN)算法中出现的“边界模糊”问题,提出了一种改进的使用连续特征缩放模型和异常点剔除的算法,简称CFS-kNN(Continuous Feature Scaling based k-nearest neighbor)。CFS-kNN不同于FS-kNN需要将整个RSSI(Received Signal Strength Indicator)信号空间划分间隔,从而避免了相邻区间上的权重选择问题,同时结合异常点剔除这一流程,进一步提高了定位的准确性。通过实际场景下的实验表明,所提出的算法在实验的几种算法中实现了最高的精度。最后,通过实验验证了算法在新环境下的稳定性。