无线射频识别（Radio Frequency Identification,RFID）,具有非接触、自动识别等特点,使其在室内定位中具有广泛的应用前景。现有的RFID室内定位技术在应对复杂的定位环境和高密度的定位空间时,对于定位精度,定位稳定性,定位时间,环境适应能力等方面仍存在较多问题。近年来,人们将机器学习引入RFID室内定位中,利用神经网络来拟合RFID定位目标位置,但面对大规模定位时,传统机器学习中浅层神经网络定位拟合能力有限。因此,本文将深度强化学习的思想引入到RFID室内定位中,它具有自我修正和反馈机制,适用于大规模多目标的RFID动态定位。本文的主要研究内容和创新点如下:1、提出一种基于异步优势动作评价（Asynchronous Advantage Actor Critic,A3C）的RFID室内定位算法。该算法在基于神经网络的RFID室内定位算法深入分析的基础上,不再直接将信号强度值（received signal arrival intensity,RSSI）或其他定位信息直接输入神经网络中,而是引入强化学习的奖励反馈机制。将RFID室内定位过程看作马尔可夫决策过程,同时将强化学习中动作评价与深度神经网络相结合,建立定位的动作,环境,回报,并使用多线程并行网络训练定位模型,使模型能动态适应环境,实现动态定位。实验结果表明,该算法在定位精度,定位性能,定位效率等方面均优于其他定位算法。2、提出一种基于半监督动作评价协同训练（Semi-supervised Actor Critic Co-training,SACC）的RFID室内定位算法,该算法将动作评价与随机动作相结合,结合半监督协同定位训练方法,选出标记的最优RSSI值,利用标记的RSSI值和未标记的RSSI值数据进行协同定位,再利用克罗内克因子约数计算自然梯度,然后利用自然梯度分别更新动作网络和评价网络,最终得到RFID室内定位模型。该方法除了可以动态适应环境外,还可以显著减少标记参加标签的数量,减少定位成本。实验结果表明,基于SACC的RFID室内定位算法能更快收敛,定位成本更少,具有更好的定位能力和定位效率。3、提出一种基于近端策略优化（Proximal Policy Optimization,PPO）的RFID室内定位算法。该算法将动作评价与随机动作相结合,并进一步使动作回报值最大化,选择最优坐标值。同时引入剪切概率比,将动作限制在一定范围内,交替使用来自动作策略的采样数据,并使用随机梯度对多个时期的动作策略进行小批量更新,并用评价网络对动作进行评估,最后训练得到PPO定位模型。实验结果表明,该方法在有效减少定位误差,提高定位效率的同时,具备更快的收敛速度,特别是在处理大量定位目标时,可大大降低计算复杂度。