无线通信技术的高速发展和移动设备数量的激增为位置服务提供了条件,同时,人们在社交软件、智慧生活、商场导购和仓储管理等领域对于位置服务的迫切需求也证明了位置服务拥有广阔的应用前景。然而,与已经通过全球导航卫星定位系统解决的室外定位问题不同,在室内环境下,墙壁和其他障碍物的存在会导致卫星信号的衰减甚至丢失,从而使得定位不再可靠。由于无线局域网的普及,在室内环境下通常会部署大量的Wi-Fi接入点(Access Point,AP),基于Wi-Fi位置指纹的定位方法因其无需额外硬件辅助、定位精度良好、成本低和适用性强等优点成为了最常用的室内定位方法。基于Wi-Fi位置指纹的定位方法分为训练阶段和定位阶段,即在定位阶段采集测试设备的指纹,并与训练阶段构建的位置指纹库中各参考点的指纹进行匹配,根据指纹匹配结果确定测试设备的位置。现阶段的研究方向是寻找更可靠的指纹特征值和实现更精确快速的指纹匹配,本文针对信号数据的预处理、可靠AP的选择以及在指纹匹配方法中常被忽视的信号波动处理这三个问题,提出了基于自适应修正曼哈顿距离的定位算法,论文的主要工作如下:首先,对指纹数据库中的信号接收信号强度(Received Signal Strength,RSS)数据进行分析,介绍在数据预处理领域中最常用的统计判别准则,并根据数据的均方根误差对样本数据做预处理。采用基于信任度参数的均值滤波来初步处理RSS的波动问题,在保证信号数据真实性的前提下平滑数据。其次,在实际环境下,任何AP发出的信号都会受到障碍物和多径效应的影响,不经筛选地使用所有AP不仅不会提高定位精度反而还会增加额外的计算负担。本文从AP选择策略优化和去中心化两方面对算法加以改进,首先挑选出对应的受干扰程度小和出现频率高的AP,然后根据AP选择的结果对定位空间进行区域划分,在提高指纹匹配精度的同时减少计算负担。最后,在分析信号传播衰减模型和推导信号波动计算公式的基础上,通过实验证明信号波动计算公式的有效性,并据此提出自适应修正算法来处理信号波动,根据修正后的信号强度结合曼哈顿距离进行指纹匹配。实验结果表明,在加权K近邻(Weighted K Nearest Neighbor,WKNN)框架下,基于自适应修正曼哈顿距离的定位算法在定位精度和稳定性上表现良好。