当前情境感知计算(context-aware computing)是国际上的研究热门,所谓情境,是指用于刻画实体的境遇的任何信息,它的内容包罗万象,其中位置是最为重要的情境内容,位置感知计算是情境感知计算的一个重要的分支,因此如何获取对象的准确位置成为一个重要的研究课题。在室外环境中,全球定位系统(GPS)和蜂窝网络无线定位已能够满足人们的要求,但是它们都无法在室内环境中给出足够精度的位置信息。本文主要讨论无线局域网中的室内定位问题,研究Fingerprint定位方法中接入点(Access Point, AP)选择及位置估计方法。本文首先介绍了室内定位技术的发展现状,应用于室内定位的技术主要包括红外、蓝牙、无线射频识(RFID)、超声波、无线局域网(WLAN)等,其中,无线局域网技术,由于其高速通信、部署方便、覆盖范围大等优点,而在室内定位领域被广泛采用。本文进一步讨论了各种定位方法,定位方法大体可分为距离相关和距离无关的定位方法,其中距离相关的定位方法主要包括传统的几何定位方法,譬如三边定位、三角定位等;相比于距离相关定位方法,距离无关的定位方法无需精确的距离测量,具有功耗低、成本低等优点,但精度不高,其主要包括质心算法、DV- Hop、凸规划、Fingerprint方法等。在基于无线局域网环境的室内定位环境中,由于环境的复杂性,以及受到定位区域的大小的限制,而使得传统的距离相关的几何定位方法无法适用,相比之下,Fingerprint方法依赖于对定位区域中指纹的采集而形成的样本库,该方法更适用于基于WLAN室内定位环境,且定位精度较高,但由于其需要采集大量样本,此方法的实现较费时费力。基于以上研究,本课题最终选择了对无线局域网中基于Fingerprint的定位方法研究。本文的具体研究内容为Fingerprint方法中AP选择方法及位置估计方法。AP选择方法用于选择一定数目的AP的信号强度作为定位算法的输入,一方面减小在线定位计算量,另一方面过滤掉性能较差的AP,从而提高定位精度。目前的大多数的AP选择都只工作于离线阶段,因此这些AP选择方法仅仅能够达到减小计算量的目的,而没有在线过滤AP的功能。本文提出了具备鲁棒性特征的在线AP选择方法——ResidualRanking,该方法在线阶段根据环境的变化,利用剩余计算的方法动态进行AP选择,从而过滤掉那些性能较差的AP,减小在线定位计算量的同时提高了定位精度。在位置估计方法方面的研究,由于传统贝叶斯决策方法是基于最大后验概率的离散型定位方法,该方法只能精确到采样点度量,若指纹过于稀疏则无法得到良好的定位精度。本文提出了改进的连续型贝叶斯决策定位方法,该方法是利用所有训练样本点的后验概率加权后获取对目标点的位置估计,提高定位精度的同时,放宽对指纹采集的限制,且可以获取连续型位置坐标。在以上研究的基础上,本文设计并实现了BRR(Bayesian ResidualRanking)室内定位系统,该系统的实现也为相关的实验分析提供了平台。在相同的实验条件下,ResidualRanking方法相比于MaxMean方法,定位精度平均提高了0.34米;改进后的贝叶斯决策相比于传统的贝叶斯决策,定位精度平均提高了0.45米;BRR定位系统的平均定位误差为1.92m,最小定位误差为1.71米。