近几年来,室内定位技术在一段时间内以不可阻挡之势飞速发展,人们对众多场景中的室内定位需求也处于日益上升的趋势。在实际的定位情况中,由于环境不稳定,会对室内定位结果造成一定影响。因此,提高定位效率和定位精度成为室内定位研究的主要方向。本文在对现有的室内定位原理和方法研究的基础上,对基于信号强度的室内定位方法开展了相关的研究,其研究的内容包含以下三个方面:(1)提出一种基于聚类改进的室内定位算法。在室内由改进的聚类算法进行了构建指纹数据库。搭建实验平台,采集数据并构建一个指纹库,经过K-means聚类算法计算初始值,再由聚类算法得到聚类指纹库,利用指纹模型概率方法划分数据点,提升了搜索效率。(2)室内采用结合卡尔曼滤波和改进聚类定位方法。计算测试信号与每个聚类中心之间的欧氏距离,将测试点划分为欧氏距离值最小的类,直到所有测试点被划分,由指纹定位估计出对应点位置坐标。对待测量的物理位置进行卡尔曼滤波,得到待测点的物理位置,提升了最终定位精确度。(3)基于对RBF神经网络的LANDMARC定位方法的研究,提出了一种基于RBF神经网络的LANDMARC定位改进方法。研究中首先对信号进行滤波处理,滤除信号中的奇异点,然后并用密度聚类算法对噪声点和边界点进行相关处理,最后通过神经网络的应用,建立输入与输出的定位误差之间的非线性映射关系,并将待测点接收信号强度样本和初始定位坐标输入给人工神经网络训练模型并实现定位,从而提高了室内定位的精度。通过实验仿真可知,采用聚类改进的定位算法,其平均定位误差可以达到1.651m;用基于RBF神经网络的改进定位算法,其平均定位误差可达到0.931m。仿真结果证明了所提方法的可行性,验证了改进的室内联合定位算法的优良性能,提高了室内定位算法的精度,从而为室内定位技术的研究奠定了技术基础。