随着物联网、各种智慧社区、智慧校园等技术的不断发展,定位服务逐渐成为人们日常生活中不可或缺的一部分。在室外定位中,已经有成熟并且普适性很高的系统,如美国的GPS系统,中国的北斗系统等,而在室内定位领域也发展出了基于WIFI、蓝牙等设备的技术,但没有形成比较成熟的系统。而iBeacon设备作为基于蓝牙4.0协议的技术,功耗低且传播距离远,很契合室内定位的需要。本文对基于iBeacon的室内定位算法进行了研究,并在不同方向对算法提出了改进。本文中对基于iBeacon的室内定位算法进行了分类和总结,并分别对基于测距的室内定位算法和指纹匹配算法提出了相应的改进。在基于测距的室内定位算法中,其核心是将iBeacon的接收信号强度(Received Signal Strength Indication,RSSI)转化为距离,其实现比较简单,但对距离的精度的要求较高。针对这一特点,本文提出了扩展的高斯滤波方法对接收到的RSSI值进行进一步优化,削弱室内环境的多径衰落影响,并通过相关实验证明该方法比传统的均值滤波和高斯滤波具有更高的准确性。与基于测距的室内定位算法相比,指纹匹配算法虽然需要建立额外的指纹数据库,但它不需要将RSSI值转化为距离,系统的抗干扰能力强。本文通过对指纹数据库的分析,指出了用于室内定位的数据库普遍具有维度高、有效信息所占比例少、非线性的特点。而现有的最先进的指纹匹配算法,主要是基于浅层的机器学习算法的层次结构算法,对高维的非线性指纹信息表征能力不强。因此,在本文中引入了基于堆栈自动编码器的深度神经网络算法对高维的指纹数据库进行优化,利用深度学习的方法提炼出更为高级的、低维的特征属性,从而减少最终定位算法的复杂度。再提炼高维信息的同时,也在一定程度上可以减少噪声对指纹数据库的影响。在已有的指纹数据库中,用现有的机器学习算法和基于堆栈自动编码器的不同层次深度神经网络算法进行对比实验,通过实验结果证明相关算法在真实数据中具有更高的准确性,并且分析了网络深度的选择对算法的影响。最后在手机端对基于iBeacon的室内定位软件进行设计和实现,在室内定位的最终环节使用K最邻近算法实现了对用户位置进行预测,并在实验中测试了参数K的不同取值对定位效果的影响,最终定位的平均误差达到1.38米,可以满足大多数室内定位场景的需要,证明了系统的实用性。