近年来,随着无线网络和人工智能技术的快速发展,人们对基于位置的服务越发重视。全球定位系统由于卫星信号易受室内墙体遮挡而无法进行正常室内定位,现有的多种室内定位技术受定位精度、成本、硬件等因素的制约而又未能被广泛应用。无线局域网（Wireless Local Area Network,WLAN）的快速部署和普及,为WLAN室内定位技术提供了良好的发展、应用和推广环境。本文主要针对WLAN室内定位技术中的位置指纹定位技术进行深入研究,主要研究内容如下:第一,针对WLAN位置指纹室内定位技术中指纹库时效性较低的问题,研究RSS的均值函数、高斯过程回归模型与地理加权回归模型,提出了一种高斯过程回归（Gaussian Process Regression,GPR）与地理加权回归（Geographically weighted regression,GWR）模型相融合的指纹库更新算法。该算法将无线信号传播衰减模型与GWR模型相融合构造接收信号强度（Received Signal Strength,RSS）的均值函数,用来估计待更新指纹点处RSS的均值,利用GPR模型估计待更新指纹点处RSS的剩余误差,最后将RSS均值与剩余误差之和作为待更新指纹点处RSS的估计值,实现对指纹库的自适应实时更新。第二,针对WLAN位置指纹室内定位技术中排序聚类定位算法类匹配精度较低的问题,提出了一种匹配优化与距离辅助的Wi-Fi定位算法。该算法根据用户前后位置、距离和步长,设计了一个类匹配偏差检测模型,用来判断用户位置异常和匹配偏差;将排序后的RSS向量中相邻元素作差,与设定阈值相比较确定待定位点排序特征向量变化位置,进行交换校正得到校正合并的类匹配结果;根据定位时前m时间段内所确定的用户位置与匹配类中指纹点的距离远近,剔除用于位置解算指纹点中的异常指纹点,实现更为精确的室内定位。最后,通过仿真验证表明,本文提出的基于GPR与GWR模型相融合的指纹库更新算法RSS的平均估计精度可以达到2.63 d Bm。另外,本文提出的基于匹配优化与距离辅助的Wi-Fi定位算法相对排序聚类定位算法类匹配精度提高了17%,平均定位精度提高了22%。