随着各种智能应用的不断发展，获取准确的位置信息变得越来越重要。由于室内环境结构较为复杂，如何在室内实现准确的定位成为了近年来的一个热门研究课题，对此研究者们提出了许多不同的解决方案。其中，基于WiFi的室内定位技术成为了最热门的技术之一。
　　本文研究了基于WiFi的RSS指纹的室内定位技术，主要研究了两个方面的问题：(1)室内定位模型；以及(2)指纹地图构造。
　　在室内定位模型中，我们提出了两种定位模型：
　　(1)基于卷积神经网络的室内定位模型CNNEu。相比于其他基于样本RSS或者CSI的神经网络的定位模型，我们提出将样本的信号空间距离分布信息作为卷积神经网络的输入，并利用神经网络提取高阶深层的信号特征，用于进行待测样本的位置估计。此外，在神经网络中，我们还引入了物理空间距离分布信息用于在网络的训练过程中对信号特征向量进行约束和修正，以及新的CNNLoss定位模型。
　　(2)基于离散指纹地图的可信定位模型RMapTAFA。相比于过去的基于SiteSurvey的指纹地图，我们创新性地引入了众包指纹的可信性度量。在众包采集过程中，样本通常具有采样和标注误差，直接用于构建指纹地图将导致指纹地图的不准确。我们提出对众包轨迹样本进行置信度评估后构造指纹地图，在此基础上，我们的定位模型还利用该地图对后续轨迹进行校正。
　　在指纹地图构造中，我们提出了基于粒子滤波器的轨迹校正和基于轨迹样本的指纹地图构建。
　　(1)基于粒子滤波器的轨迹校正算法。与过去的基于SiteSurvey指纹数据库的校正方案不同，我们提出利用轨迹样本构建的指纹地图的定位结果对轨迹进行选择性校正，而无需繁琐的SiteSurvey工作。校正后的轨迹用于指纹地图的更新。
　　(2)基于轨迹样本的指纹地图构建。相比于传统的栅格指纹在结构，本文提出了一种新的指纹地图栅格结构S-F，以及用置信度因子和拟合度因子来分别度量样本可信度和指纹中每个元素的重要性。
　　为了验证本文所提出的室内定位模型与指纹地图的性能，我们在实际的室内场景采集了相关数据并进行了实验。实验结果表明，在房间类型的场景中，本文所提出的神经网络模型CNNEu和CNNLoss能够在训练样本较少的情况下实现1米左右的定位精度；在走廊区域，我们所提出的RMapTAFA方案不仅能够利用轨迹样本构造的指纹地图实现合理的定位精度，还能对轨迹进行有效的校正。