随着移动互联网技术的快速发展,人们对基于位置的服务的需求也在逐步增长。作为基于位置的服务的一个关键技术,室内定位逐渐成了信息科技领域中的研究热点。室内定位技术种类繁多,其中基于Wi Fi的指纹室内定位技术具有低成本,定位准确率高的优点,因此成为室内定位技术中的研究热点。在无线通信领域,信道状态信息(Channel State Information,CSI)是通信链路的信道属性,能够更精细地描述无线信号在空间中传播的特征,具有更好的位置敏感性,因此被广泛用于室内定位技术领域。在传统的基于CSI的指纹室内定位算法中,基于人工智能算法的指纹定位技术可以达到更高的定位准确率,因此得到了广泛研究与应用。然而,为了达到较高的定位准确率,常用的基于人工智能的指纹室内定位算法如基于卷积神经网络(Convolutional Neural Network,CNN)的指纹室内定位算法需要在每个参考位置采集较多的CSI数据构造指纹库,导致较大的人力和时间消耗,因此基于CNN的指纹室内定位算法难以在小样本的室内定位场景中满足人们的定位需求。针对以上问题,本论文提出了小样本场景下,基于孪生网络的指纹室内定位(Fingerprint Indoor Localization Algorithm Based on Siamese Networks,SiFi)算法。该算法采用孪生网络作为分类模型。孪生网络是一种度量学习算法,在小样本条件下也能达到较高的分类准确率,已被广泛应用于解决样本过少、且类别较多的分类问题,如手写签名验证、门禁等应用中。本论文所提出的SiFi算法分为两个阶段:离线阶段和在线定位阶段。离线阶段中,首先需要采集每个位置的CSI数据,生成CSI张量,并为每个位置构造一个指纹库,然后利用CSI张量和指纹库训练孪生网络模型。在线阶段中,利用孪生网络模型比较目标位置处的CSI张量与每个位置的指纹库数据之间的相似性来进行定位。孪生网络在小样本分类上具有更好的分类准确率,因此可以有效地提升小样本场景下室内定位的定位准确率。本论文采用的实验场景为西安电子科技大学北校区主楼的四楼一区部分走廊。在实验场景中的每个位置采集CSI数据,并对SiFi算法和基于CNN的指纹室内定位算法的性能进行对比。实验结果表明,在0.8m的室内定位误差范围内,与基于CNN的指纹室内定位算法相比,SiFi算法具有更高的定位准确率。当离线阶段每个位置仅有7个CSI张量时,SiFi算法也能达到0.82的定位准确率,表明SiFi算法在小样本场景下也具有较高的定位准确率。