室内环境中障碍物所导致的信号折射、反射以及多径效应,严重影响着定位过程中信号接入点的筛选、离线指纹库的构建更新以及在线阶段的匹配运算。论文利用测量数据的时空特性,构建基于信号空间分布的离线指纹库,并通过观测数据的时序性约束目标运动过程,以降低指纹库的维护成本,提升在线定位精度。具体研究内容如下:（1）针对非自主部署环境下相似信号接入点的信号冗余以及覆盖区域的交替重叠,提出一种基于相关系数与改进信息熵的信号接入点筛选策略。根据统计学中的相关系数概念对信号分布相似度较高的信号接入点集合进行融合处理,以降低因信号接入点冗余所导致的位置估计过拟合。在传统熵增准则的基础上,加入覆盖冗余因子,强化信号接入点筛选过程中信号覆盖重叠的影响程度,以获得覆盖区域相对分散且信号分布稳定的信号接入点子集。实验结果表明,相较于其他筛选策略,所提算法可在低维度信号接入点集合下,实现对目标区域的信号覆盖,并保持良好的定位精度。（2）针对室内环境下单次采样数据的波动变化及信号间的相互影响,提出一种基于分区多元高斯混合模型的室内定位算法。根据信号接入点铺设位置与空间结构,系统采用“一对多”支持向量机算法对目标区域做分区操作,以精确信号变化的区域范围。利用狭小分区内信号间的耦合关系,建立基于信号间相互干扰的多元高斯混合模型,以改善信号波动所造成的定位精度下降。当室内环境发生变化时,基于分区多元高斯混合模型的自适应更新算法可对各分区指纹数据的可信度做出判断,并以自适应算法更新信号波动较大分区的模型参数,提高模型与现有环境间的耦合程度。实验结果表明,所提算法可利用相对少量样本数据,构建稳定可维护的室内信号分布模型,相较于其他算法,其定位精度也有一定程度提高。（3）为了提高定位系统抗干扰性,降低定位误差,提出一种基于递归贝叶斯的指纹定位算法。针对离线阶段指纹数据采集的盲目性与不可靠性,利用样本方差对采样值的可信度进行衡量,降低环境因素对数据的影响,为在线匹配提供更有效的可靠指纹库。利用目标运动过程中相邻时刻间的约束关系构建马尔可夫模型,以预测当前时刻目标位置,克服传统定位算法经常出现的位置估计跳动范围大、鲁棒性差等问题,提高定位精度。经仿真模拟与路演实景的双重可重复性测试,所提算法的平均定位误差绝对值在模拟与实景测试中,较已有经典同类定位方法均有所提高。