无线位置感知技术研究利用无线信号确定和跟踪移动设备的位置，是普适计算中的一项重要技术。随着Wi-Fi接入点的广泛覆盖，基于Wi-Fi的室内外定位系统已经成为热门的研究领域。本文从机器学习的方法入手对无线定位技术进行了深入研究，主要采用贝叶斯统计、流形学习等方法对信号模式进行描述与挖掘。例如：通过将传统的统计定位方法与判别规则相结合，进一步提高了单一依靠统计方法的定位精度；利用不同时间不同设备的数据共享流形分布的特性，在不同领域间进行知识迁移，解决了Wi-Fi信号分布差异导致定位精度下降的问题。较之已有工作，本文在无线定位的精确度、稳定性以及所需的训练样本数上都有不同程度的改进，并将所提出的方法应用于实际系统中。　　 具体包括以下几部分工作：　　 基于概率统计的定位方法通过采集大量数据学习信号分布特性，适用于粗纹理的快速定位，而基于规则的定位方法在局域区域建立复杂规则，适用于细纹理的准确定位。本文提出一种统计和规则结合的无线定位方法，在传统的统计方法之上，加入规则库作为约束项，能够有效提升单一方法的精度。特别是基于规则的隐马尔科夫模型，在概率转移上加入规则约束，达到准确跟踪用户轨迹的目的。　　 已有定位模型面临信号分布变化时定位精度会急剧下降，如何只用较少的有标记数据更新模型而能保持较高的定位精度是一个难点问题。本文从信号传播的衰减特性和信号空间的流形假设出发，提出了一种流形对齐的降维方法，通过构造两种不同分布的数据集在低维空间的对齐流形，实现不同领域间的知识迁移。实验结果表明，基于该迁移学习方法的自适应室内定位算法能够在有限的有标记数据的帮助下，有效的提高目标领域中的定位精度，从而大大减小了人工标记数据的工作量，增强了定位系统的实用性。　　 在已有的定位跟踪原型系统基础上，本文还实现了一种基于位置的多媒体服务原型系统，并且在实际无线环境中进行了测试，能够根据移动用户的位置提供定制化的视频服务。