由于无线信号的传播特性和室内的环境的复杂性,改善基于指纹的WiFi室内定位技术的性能具有挑战性。目前的室内定位主要是面向单个接收信号强度指示（Received Signal Strength Indication,RSSI）向量开展的研究,由于没有充分利用现有的信息,即附加在RSSI向量上的时间信息,并且采用了不合适的训练方法,因此定位精度有限。本文考虑到RSSI在时间和空间上的相关性,利用连续位置中信号的时空特征,提出了一种面向时序RSSI的WiFi室内定位方法。利用时间序列和滑动窗口,实现了RSSI在轨迹中的时间和位置信息的关联,将离散的定位任务转化为连续的时间序列特征发现任务,从而充分利用RSSI信号上附加的时间信息来降低定位误差。使用神经网络模型提取信号在连续位置上的时间波动特征,并学习信号特征与时间和空间到位置坐标的非线性映射关系,得到了基于时序卷积神经网络（Temporal convolutional network,TCN）的时序定位方法（An Indoor Localization Method Based on Time-series RSSI by Using TCN,TTSL）和基于卷积神经网络（Convolutional Neural Networks,CNN）的时序定位方法（An Indoor Localization Method Based on Time-series RSSI by Using CNN,CTSL）两种定位模型。为了评估与验证时序定位方法的有效性,本文在接近1000平方米的真实环境下进行了大量的实验。在时序和非时序两种数据集上与现有的一些定位方法（如:KNN、随机森林、决策树、DNN等）进行了比较,并对模型的一些重要的相关参数进行了充分的论证。实验结果表明TTSL和CTSL对数据量的依赖相对较小,也消除了空间歧义并明显降低了噪声对定位结果的影响,达到了比本文提到的现有方法（如:4.95m、4.45m、5.12m、4.70m）更低的平均定位误差（即3.73m和3.94m）和更稳定的性能,即面向时序RSSI的WiFi室内定位方法明显降低了定位误差。