自从IEEE802.11无线局域网标准问世以来,无线通信市场一直增长迅猛,室内环境下WLAN的部署也越来越广泛,因此在现有高速无线局域网条件下,用户凭借轻量级可移动的计算设备,就能随时随地接入互联网,这就给室内WLAN环境下的定位提供了广泛的发展前景。而基于位置指纹的定位算法以其定位精度比较高,可以充分利用现有的设施,不需要改变移动设备的硬件,系统无需或仅增加极少的额外设备,升级和维护对用户影响小等优点得到了广泛的应用。位置指纹定位算法主要有两个步骤:离线测量阶段和在线定位阶段,主要包括最近邻法(NN , Nearest Neighbor)、K近邻法(KNN , K Nearest Neighbors)、概率法和神经网络法。相比较而言,KNN定位算法在算法复杂度和定位精度上,都具有一定的优势,但是KNN算法由于K的选择是固定的而影响了某些位置处的定位精度,所以采用某种算法对KNN进行改进是有必要的。因此,本文提出了一种基于模糊聚类的改进KNN定位算法。首先,本文对三个实验环境及测量得到的RSS数据进行了分析,然后对位置指纹定位算法的基本原理进行了介绍,在此基础上,对已有的位置指纹定位算法进行了分析与比较,为基于模糊聚类的定位算法奠定了实验基础。其次,本文对模糊聚类分析的基础知识、数学模型以及分类进行了介绍,然后着重分析了基于目标函数聚类算法中的模糊c均值聚类算法的原理与优势,根据实验结果,分析了模糊聚类KNN定位算法的必要性,为本文提供了理论基础。最后,本文对计算得到的RSS统计参量的位置相关性进行了研究,然后对KNN定位算法的性能进行了详细的分析,在此基础上,对模糊聚类KNN定位算法进行了验证,实验结果表明,此定位算法可以有效提高定位精度,为室内WLAN环境下的定位提供了一定的理论和技术支持。