普适计算要求无处不在的计算机和传感器能进行情境感知,并相应改变自己的行为,主动适应用户的需求和工作的变化,以提供更加智能的服务。位置感知是情境感知中的重要内容,结合各类增强技术的全球卫星导航定位系统在室外动态定位中已可获得亚米级的精度,但在城市峡谷和建筑室内,无线电传播受阻挡严重且多路径效应明显,系统存在局限。目前室内定位已有较多解决方案,但各类技术优劣并存,需要进行融合,而智能手机不仅计算性能优越,还集成了丰富的传感器,为各类室内定位技术的融合提供了良好的硬件平台。另外,在位置感知基础上,基于位置的服务已在国民生产生活的各方面发挥重要作用,它的服务方式除了根据用户的主动请求返回信息,还包括自动分析用户的需求从而进行服务的推送,但仅根据用户位置来进行用户活动分析,忽视了其他情境信息的作用,导致需求判定不准确,用户体验较差。为了提高服务体验,提供普适计算中的智能服务,需要利用感知到的位置以及多维情境信息对人类当前活动进行精准识别。针对位置感知中的室内连续高精度平面定位和高程(尤其是楼层)信息感知等问题,本文结合WiFi定位技术的优势与智能手机多传感器平台的基础,对WiFi定位、WiFi与IMU的融合定位、气压计楼层信息获取展开研究;针对在位置信息基础上的人类活动精准识别问题,本文对关于用户的多维情境信息的利用方面展开探索。具体研究内容与成果包括:(1)对WiFi RSSI的信道传播进行了分析,在RSSI时空规律分析基础上,总结了RSSI测量值中的误差成分,指出测量值中存在随时间漂移的系统偏差,为此提出差分误差改正模型。实验表明,该方法切实可行,使基于确定性和概率算法的误差均方根均降至4米左右,尤其对确定性算法改善效果明显。(2)对WiFi RSSI指纹定位系统的误差质量控制进行了研究,重点研究了接入点密度、接入点分布、传播衰减因子、环境噪声、参考点密度等影响因子,并通过仿真平台进行了实验分析。实验表明高接入点密度、高传播衰减因子与低环境噪声有利于获得精确位置,而参考点密度则在1米左右时较有利于定位,但接入点分布对定位误差无明确的影响规律。(3)针对WiFi RSSI定位结果不连续的问题,提出与智能手机IMU PDR进行融合定位,综合考虑非线性滤波精度和计算平台的运算效率,采用了UKF融合算法。同时,为了使定位结果评估更全面,提出并采用了一种顾及动静态的精度评估方法来进行综合定位结果评估。实验表明,融合后的系统能够连续动态地获取用户位置,且定位误差平均值为3.52米,精度较单独WiFi系统有所提高。(4)针对室内定位中高程研究不够充分的问题,考虑到相同建筑内大气物理条件关联性强,且室内定位中多结合用户所在楼层的方式进行应用等因素,本文结合手机气压计提出了基于差分气压测高的楼层判定方法。实验结果表明,测高精度为分米级,小于一般楼层高度3米,在判定阈值设置为1米时,楼层判定精度在98.0%以上,即该方法可进行有效的楼层判定。(5)针对人类活动的精准识别问题,提出利用包括时间情境(时刻)、空间情境(位置)、时空情境(位置时长)和用户情境等多维情境的特征框架来进行情境特征提取,并结合机器学习算法来识别活动。利用校园活动中的八个复杂活动的识别实验对该框架进行验证,其结果表明,该框架能有效进行活动识别,其平均识别精度可达84.1%。(6)针对多维情境机器学习中分类算法众多的问题,本文基于线性模型,并综合考虑识别(分类)精度、学习(训练)效率、识别(分类)效率等指标建立了一种算法优选框架,利用Weka学习平台对18个离线学习算法进行评估,实验表明在三个指标的加权方案为1.0:0.8:1.2时,决策树框架下的REPTree算法在综合评估结果中具有优势。针对多维情境框架验证实验中的分类精度不高的问题,根据算法优选的结果,提出利用随机森林算法进行改进,实验表明,加权平均F1量测值有较大提高,表明分类精度效果上有较大改善。针对算法评估中发现的离线学习效率低和模型更新不及时的问题,提出在线学习方法进行改进,实验结果表明,在线学习方式学习效率高,且能够有效利用新数据对模型进行实时更新。