基于Wi-Fi指纹的室内定位技术在近些年得到了广泛地研究,主要集中于研究如何在独立模式下提高定位精度。有少量研究提出利用额外硬件设备进行用户间距离测量用以提升定位精度,但这增加了成本,限制了实用性。为解决这一问题,本文提出了一种隐式协同定位新模式,旨在挖掘同一区域多个用户的Wi-Fi信息来改进用户群体定位性能。本文对此类隐式协同定位进行了深入研究,提出了以下三种方法:（1）基于用户互距离估计的协同定位算法DECLoc:首先设计了一种决策融合模型,从用户收到的Wi-Fi指纹信号估计用户间的互距离。接着,将上一步所得的互距离加入到信号曲面约束函数中,同时基于在线用户自身指纹特性实现用户位置的坐标搜索。最后,提出了“三五互监”场景:在无需定位的情况下,利用用户间互距离实现特殊人群的相互监管。（2）基于无线信号传播性质的的协同定位算法OCLoc:首先根据信号相似度选出每个在线用户的候选参考点。然后基于无线信号随距离衰减的规律计算每个在线用户所有候选参考点的协同置信度。最后提出将协同置信度和候选参考点置信度结合起来生成综合置信度,使用综合置信度作为候选参考点的权重,以加权的方式计算出用户的最终位置。（3）基于多维尺度缩放的协同定位算法MOCLoc:首先应用多维尺度缩放技术对在线用户的高维指纹进行降维,得到用户的二维虚拟位置坐标。然后基于用户间虚拟距离和物理距离之间的相似性计算虚拟位置置信度。最后,利用虚拟位置置信度与OCLoc方法中的协同置信度和参考点置信度计算参考点权重,通过加权计算用户的位置。此外,提出基于指纹中心化的设备校准模块来缓解在线设备的异质性问题。为了验证本文提出的三个方法的有效性,本文使用了多个真实场景的实测数据集进行了实验,同时与传统的单人定位模型和目前先进的协同定位模型进行了对比。实验结果表明,本文提出三个方法均能达到较高的定位精度。