室内定位是用户通过室内环境中的某种信号来确定当前时刻其处于室内环境中哪个位置的过程,这种需求随着移动设备的普及而日益增加。近年来,随着深度学习的发展,基于室内环境中WiFi信号发射器产生的指纹信息来进行室内定位成为了一种很有前途的方式。该方式根据预先采集的室内指纹信息进行模型训练,随后,在定位时直接将用户采集到的指纹信息输入模型来预测用户所处位置。但由于室内环境的多变性,为了保持定位精度,服务提供商需要频繁地收集大量数据进行模型再训练,成本较高。移动群体感知的方法可以降低数据采集成本,但这种方法严重泄露了参与者的位置隐私。最近,研究人员提出了用联邦学习解决室内定位问题的方式,有效地保护了用户的隐私,但多数工作只关注了二维空间平面位置定位,无法应用于当前常有的大规模建筑群三维定位场景。同时,基于联邦学习的方式还面临着非独立同分布数据情况下定位准确率相较于集中式方法明显下降的问题。针对这些问题,本文提出了基于联邦学习的室内定位系统,引入了建筑物楼层分类子任务以及数据增强手段。本文具体工作如下:（1）设计了基于联邦学习的建筑物楼层分类方法FedDNN-BFC,通过将此方法和平面位置定位方法联合,便可满足三维定位场景的需求。此方法基于多标签分类模型设计,经过数据预处理,集中式预训练,联邦训练三个阶段来完成整个训练过程,有效地保护了参与者的隐私。同时,在FedDNN-BFC方法基础上,结合不同位置RSS值分布特点,提出了FedCNN-BFC方法,采用了基于卷积的多标签分类模型来进一步提高准确率。最后通过在UJIIndoor Loc数据集上的实验验证了FedDNN-BFC方法的有效性,还验证了FedCNN-BFC方法相较于FedDNN-BFC方法更优越的分类性能。在数据独立同分布条件下,FedCNN-BFC方法相较于FedDNN-BFC总体分类准确率平均提升1.2%,通信成本平均减少24.5%。在数据非独立同分布条件下,总体分类准确率平均提升1.6%,通信成本平均减少15.7%。（2）设计了嵌入数据增强的联邦学习位置定位方法FedADA-HCR,此方法通过嵌入数据增强流程以及改变原有联邦训练流程,来达到在不增加用户工作量的前提下扩充用户本地数据集的目的,使得各用户在参与联邦训练时持有更多的数据,进而提高最终的定位精度。通过在UJIIndoor Loc数据集上的实验验证得到,在独立同分布条件下,FedADA-HCR方法的定位误差相较于现有最先进的方法可降低1.48m,非独立同分布条件下可降低2.36m。同时还通过实验得到,本文提出的方法FedADA-HCR在扩充客户端数据集时,扩充的增强数据量与客户端本身持有的数据量为1:1左右时可达到最好的定位效果。