基于位置的服务（LBS）目前受到国内外互联网公司的重视，本质上是一种增值服务，其中很重要的一步就是对用户进行定位。在室内环境中，由于建筑物的阻碍与干扰，会导致室外定位的手段在室内环境中精度大幅度下降。因此需要对室内环境的定位采取专用的技术。近年来智能手机席卷全球，硬件配置也越来越高，计算能力越来越强，足以在智能手机上执行一定复杂的计算任务。基于802.11系列标准的无线局域网（WLAN）在近年来已经覆盖家庭、小区、企业、商场、机场、展会等场所。基于WLAN的室内定位技术可以充分利用现有的广泛部署在各种室内环境中的无线AP，并且在智能手机上就可以进行定位，不需要额外部署专用的设备。可以节省大量的硬件成本。因此，基于WLAN的室内定位技术在众多的同类技术中具有很大的优势。
　　本文介绍了定位技术的一些基本算法，具体地探讨了经典的几款室内定位系统：Active Badge，RADAR，MoteTrack，Cricket，Horus和myCOEX。然后阐述了本文所使用的算法。对k近邻法、加权k近邻法以及卡尔曼滤波器及其变种的原理进行了阐述。本文实验使用了基于位置指纹识别的方法，尝试使用多高斯混合模型进行实现，展示了遇到的一些问题，并对存在的一些问题进行了分析，说明该方法在采集到的数据上不适用的原因。然后改用RSS均值构建指纹数据库，使用k近邻和加权k近邻进行位置估算，再用卡尔曼滤波器进行行走位置的校正跟踪。对加权k近邻算法的权值进行了标准化处理，消除了大幅度误差。在卡尔曼滤波器的实现中，使用了一个线性的模型来描述行人在室内的运动，并且使用前面的定位结果估算模型中的速度变量。
　　在测试中，对k近邻法和加权k近邻法使用不同的k值进行了测试，对加权k近邻法使用了八种常见的核函数进行了测试，对比了不同参数和不同核函数所导致的不同结果，找到了最优的参数与核函数。在使用卡尔曼滤波器之前，使用最优的算法参数时，kNN与wkNN的定位误差均值已经达到2米内。整体上，加权k近邻法比k近邻法误差均值和方差都小。然后对比了使用卡尔曼滤波之前的精度与使用卡尔曼滤波之后的精度，在本文的实验中发现，卡尔曼滤波器可以平滑定位误差以及降低误差均值与方差，对于校正定位结果有所帮助。