随着移动互联网的发展,人们对基于位置的服务需求日益增长。以GPS为代表的卫星定位系统在室外导航和定位中可以满足绝大多数的需求,但是难以为室内定位服务提供支持。近年来,许多学术机构和组织提出了各种不同原理的定位系统,包括红外线、蓝牙、超声波、UWB、zigbee、WLAN等。其中,由于WLAN无线接入点和搭载WLAN收发芯片的移动设备普及度非常高,基于WLAN开发室内定位系统可以避免增加额外的设备,具有很高的实用价值,吸引了广泛的研究热点。传统的RSS指纹式定位算法假设离线建库阶段的RSS分布与在线定位阶段的RSS分布是一致的,然而在实际应用中,RSS指纹式定位算法受到弱监督问题的困扰:(1)随着时间推移,室内环境发生改变,导致RSS分布发生变化;(2)不同设备由于天线增益不同、电磁波穿过外壳的衰减率不同等原因,使得不同设备测量所得RSS的分布具有差异。本文通过实测数据和公开数据集验证了传统定位算法在RSS指纹弱监督条件下定位精度大幅下降的问题,并提出了两种应对室内定位弱监督问题的算法。本文研究了一种基于实例的迁移学习方法,并针对室内定位问题做出了改进,使其能适用于弱监督条件下的室内定位问题,该算法基于Boosting框架,利用少量的同分布数据,通过设置样本权值,来筛选出异分布数据中有助于提高定位精度的样本,削弱与同分布数据集差异很大的样本,在不同的样本权值下,训练得到多个基础定位模型,通过加权叠加得到最终的定位模型。实测数据实验结果表明,本文所提出的算法可以有效缓解弱监督问题导致的定位精度下降的问题,只需要采集少量的RSS样本,避免重建指纹库的繁重工作量。本文提出了一种基于候选集的无监督融合算法,该算法包含以下创新点:(1)引入信号强度差特征,克服传统RSS指纹不能解决设备异构的问题;(2)提出了候选集与扩展候选集的概念,进一步提出了自动构建扩展候选集的方法;(3)基于扩展候选集,提出了无监督融合算法。与传统的监督式融合算法相比,本文所提出的算法不需要采集额外的RSS数据来训练模型权值,并且能有效克服指纹式定位的弱监督问题。通过实测数据和公开数据集进行了一些列仿真实验,验证了本文所提出算法的有效性。