近年来,人工智能和物联网技术发展迅猛,一些新型移动设备的出现,刺激了基于位置感知服务的激增,室内无线定位技术逐渐成为人们关注的重点。因此,如何在动态的室内定位环境中实现具有自适应性、普适性、高精度性的室内定位技术是当前研究的主要内容。现有的基于接收信号指示强度(Received Signal Strength Indicator,RSSI)的室内定位技术具有设备简单,数据采集方便的优点,同时机器学习具有学习能力,可以通过采集样本数据训练网络,为网络加入预测功能,并且通过采集不同环境下的训练数据集,使网络能够适应不同的环境。综合以上思路,研究这两种技术相结合的室内定位技术,使其具备学习和适应不同定位环境的能力,以达到高精度的定位效果,有着重要的现实意义。首先,本文介绍了现阶段室内定位技术和机器学习的相关基础知识以及室内定位技术在各领域的应用潜能,分析了现阶段室内定位技术面临的难点问题,主要针对室内定位环境的自适应和测距定位算法两项关键技术展开研究。其次,分析了现有的基于RSSI测距和基于机器学习的室内定位技术的优缺点,提出本文的研究目标。现有的基于RSSI测距的室内定位技术通常采用对数路径损耗模型,该模型涉及两个环境参数,利用锚节点之间的相互通信,能够实现静态室内定位环境中环境参数的实时修正,并且利用提前部署的锚节点,可以快速生成电子地图。但是在由人员状态改变引起室内定位环境动态变化的场景中,该方法很难做到实时更新。针对该问题本文提出了一种基于聚类的室内人员活动感知与检测算法,该算法利用聚类技术,将环境中采集的不同人员状态下的RSSI值和相应的方差值进行聚类,得到每一种人员状态下RSSI值和方差值的阈值,在实际定位中应用阈值进行分类,实现了动态室内定位环境中人员状态的检测,减小了人员因素的影响,并且为后续依据人员状态选择测距定位模型提供了基础。最后,针对室内测距定位算法,指出了现有技术存在精度不高,不能随着人员状态调整自身模型的问题,提出了联合自适应增强策略的室内测距定位算法。该算法首先采集人员静止和移动两种状态下的数据对网络进行训练,经过多次迭代得到不同人员状态下的测距定位模型,并结合基于聚类的人员活动感知与检测算法检测人员状态,提升了距离的转换精度,实现了根据人员状态选择测距定位模型的策略。与现有的算法相比,所提算法能够适应不同的定位环境,并且精度更高,实现了定位系统的自适应性、普适性、高精度性。