面对室内环境中智能移动终端的定位需求,WiFi室内指纹定位系统由于精度高、对设备的要求低等特性而具有广阔的应用前景。在目前所有的室内定位技术中,基于无线指纹的定位技术也是最为著名的一种。无线指纹定位是一种利用获得的WiFi信号特征来关联空间内特定位置的技术。室内定位服务的服务质量在很大程度上取决于用户的定位精度和时间上的开销。指纹定位系统建立指纹数据库并使用机器学习相关算法进行模型训练,然而存在训练阶段时间开销较大的缺陷,所以如何在保证定位精度的同时提高室内定位系统的时效性成为需要解决的问题。针对以上问题,本文主要进行了三项工作。其一,提出了一种CSI数据融合方法,针对CSI信号的幅度和相位两大特征,使用基于密度的空间聚类算法（DBSCAN）降低CSI幅度的噪声,使用基于线性变换的相位误差补偿方法来增加原始CSI相位数据的特征差异,并将幅度和相位相融合共同作为定位指纹。其二,基于融合后的指纹,本文重点提出了一种基于宽度学习回归的信道状态信息（CSI）指纹融合定位方案CFBL。CFBL将融合指纹作为神经网络的输入,使用计算快速、结构简洁的宽度学习回归算法进行训练,不断优化,建立所需的室内指纹定位模型,有效节约了时间上的成本,提高了室内定位系统的时效性。其三,本文也提出了一种基于梯度提升决策树的指纹融合定位方案CFGB。CFBL将定位的重点放在提高定位系统的时效性,而CFGB是一种旨在提高定位精度的定位方案,可以实现高精度的室内定位,同时也将时间成本控制在可接受的范围内,保证一定的时效性。在视距和非视距这两种典型的室内场景中进行定位实验,从定位时间开销和定位精度两方面评估所提出的定位系统的定位性能。并分别将本文定位方案CFBL和方案CFGB与现有定位方法的定位性能进行对比。实验结果表明,CFBL在定位的训练时间上具有更小的开销,实现了定位系统较高的时效性,并且在高效的同时具有更高的定位精度;CFGB在定位精度上有明显的提升,并且能保证一定的时间开销。