随着全球定位系统(Global Positioning System,GPS)技术的不断发展和提升,GPS在我们现实生活中应用越来越广泛,室内定位技术的需求也在不断增多。在过去十年中为了支持室内环境中的定位应用,室内定位技术不断走向成熟,已经开发了许多具有不同部署成本和定位精度的室内定位系统。其中基于接收信号强度(RSS)的方法在近几年的应用中最为普遍。然而,(1)RSS信号容易受到多路径、阴影效应等的干扰,其中,墙壁的干扰对信号的干扰是不可避免的;(2)离线阶段通过人工收集每个位置点的数据信息来建立指纹数据库不仅需要高昂的成本,也会消耗很多时间,效率低下,并且这在动态环境或者定位空间较大的定位环境中是不切实际的。因此,在本研究中我们提出了基于分区可修正性的深度高斯过程回归模型的室内定位系统。在离线阶段,我们将整个定位的室内环境物理的划分为若干个子区间,并为每个子区间构建相对应的部分指纹数据库;在线阶段,我们首先确定出定位目标属于哪个子区域,然后用深度高斯过程回归模型得出目标位置信息。使用深度高斯过程回归模型进行室内定位,只需要测量部分参考点即可,并且减少了离线阶段收集数据的时间以及成本。该模型通过将RSS值转换为四种特征值作为输入数据,然后再由深度高斯过程回归预测位置坐标,最后经过增强学习优化位置坐标。本文作者在天津大学进行了实地验证。实验主要对比了不同环境,不同内核下的定位精确度。最后通过实验对比表明我们提出的方法可以在保持定位精确度的前提下节省定位预测的计算时间。本文主要在以下这些方面展开研究:(1)在离线阶段根据室内定位空间所受干扰程度进行区域划分,并且为每个子区间建立相应的部分指纹数据库。(2)在定位阶段通过离线阶段建立的部分指纹数据库计算得出目标点所属的子区间,再利用基于深度高斯过程回归模型进行具体的位置信息估计。(3)利用强化学习训练超参数不断修正定位结果以适应环境的动态变化。(4)通过实验验证我们提出的方法可以得到高精确度的定位结果,以及该方法可以有效的解决当前研究的问题。