随着信息化社会向更加普适化、智能化的方向发展,人们对室内位置服务的需求日益迫切。然而,室内传播环境相对于室外更为复杂,使得室外利用卫星定位的成熟技术难续辉煌,人们开辟了利用不同无线技术标准进行室内定位的研究探索。WiFi无线网络技术具有部署广泛、室内无缝覆盖和成本低廉的特点,因此,基于WiFi位置指纹的室内定位方法获得广泛关注。然而,由于依靠WiFi信号指纹的定位方法,面临设备异构引起的指纹波动的问题,严重影响着基于WiFi位置指纹室内定位系统的健壮性和稳定性。本文针对设备异构性问题,研究对指纹特征变形和对指纹特征挖掘的指纹特征提取,并提出了两种免校准的定位系统化方法,主要的研究工作如下:(1)针对异构设备造成位置指纹的大尺度的波动的问题,提出了 CLAS-STDRSS-ELM方法,即结合了最强AP分类和普氏分析构建标准化子指纹库,以及通过极限学习机(Extreme Learning Machine,ELM)进行定位的免校准定位的系统方法。(2)针对位置指纹的噪声干扰引起指纹的小尺度波动,提出了 CLAS-SDAE-WKNN方法,即采用堆叠降噪自编码器(Stacked Denoising Autoencoder,SDAE)学习标准化子指纹库获取深度特征指纹,构建深度特征子指纹库,以及利用WKNN的方法进行定位的基于指纹特征挖掘的免校准定位的系统方法。(3)以典型实验楼层为实验环境,利用四种不同型号的手机采集RSSI数据,经过计算分析,两类免校准的方法均有效减小了异构设备的影响。其中CLAS-STDRSS-ELM方法对200个待定位点的平均定位误差是2.89m,比起传统的基于信号强度差的免校准方法,定位精度提高了 16.7%;CLAS-SDAE-WKNN方法对相同200个点的平均定位误差是2.72m,对比CLAS-STDRSS-ELM方法,定位精度提高了5.9%。