基于指纹的室内定位技术是一种基于对目标环境中无线信号特征采样、记录和匹配的定位技术。移动端通过采样信号特征并与一组预先标定位置的信号特征向量（指纹）相匹配来估计移动端的当前位置。指纹定位技术的优势在于移动端和基站端都不需要特殊的硬件设备。指纹匹配的过程可以通过软件来实现，相对于基于测距（例如测角度、时间等）的室内定位技术，指纹定位大大减少了部署成本和实现复杂度。尤其是随着WLAN基础设施的增多和带WiFi接口的智能手机的普及，基于WiFi信号指纹的室内定位技术使室内定位大规模应用成为可能，并已经成为当前室内定位领域研究的热点。然而，受到人体遮挡、室内环境中多径效应及信号衰落的影响，WiFi信号波动较大，从而导致基于WiFi指纹的室内定位系统性能下降。结合当前指纹定位的研究进展并针对该领域亟待解决的的一些关键问题，本文将以智能手机为载体，从室内定位算法设计、室内定位基站(AP)的优化部署和室内导航服务三个方面展开研究工作。本文的主要工作和创新点如下:　　1.提出了一种基于特征缩放的k近邻室内定位算法(FS-kNN)。该算法在训练阶段不仅学习指纹数据库，而且训练出针对目标环境的基于不同信号强度区间的特征缩放模型。定位阶段，在计算指纹相似度距离时，通过为不同信号强度区间的信号强度差赋予不同的权值，使得指纹相似度距离能够更好地表征地理上的距离，从而提高定位系统的性能。试验结果显示FS-kNN算法在定位准确度和精度上优于已有工作。　　2.提出了一种基于测量的AP部署机制(MAPD)，旨在通过在适当位置部署新的AP来提高指纹定位系统的性能。该机制的核心思想是充分利用目标环境中已有AP资源，通过一次测量，确定优化的候选部署位置集合，在此基础上通过在上述候选位置的过部署(over-deployment)和二次测量，确定最终的AP部署位置。MAPD设计过程中，采用了最小化平均定位误差作为搜索目标函数，并采用贪婪搜索算法求得优化的AP部署位置组合。试验结果表明，与已有工作相比，MAPD可以带来较大的定位性能增益。　　3.针对目标环境中没有指纹数据库和地图信息的应用场景，提出了一种基于梯度的AP定位导航系统(GLNS)，旨在仅利用通用智能手机自带的多传感器实现到达目标AP的室内导航。GLNS以最近N个采样信号作为采样窗口，来确定信号梯度上升的方向，并作为下一步的移动方向，并在达到下一个采样点后重复上述过程，直到到达目标AP。GLNS实现过程中，为了准确估计每个采样点的相对坐标，设计了基于行人航位推测的定位新算法，包括基于加速度传感器的自适应步伐检测算法和基于误差源判断的方向估计算法两部分。仿真和实验结果显示在室内复杂环境下，GLNS系统可以实现到达目标AP的高效准确定位和导航。