随着物联网技术的蓬勃发展,基于室内位置服务的市场需求与日俱增。室内定位中的指纹式定位方法因其在复杂的室内环境中抗干扰能力强得到广泛应用。传统的指纹式室内定位算法假设离线建库阶段的信号强度分布与在线定位阶段的信号强度分布是一致的。然而,信号强度分布经常因环境变化、设备异构等因素发生变化,此外无线接入点的缺失或新增会导致特征维度异构。迁移学习通过将源域的知识迁移到目标域中可以减轻环境变化和设备异构引起的信号强度分布变化。然而,传统的迁移学习定位算法未充分提取可迁移特征,存在知识迁移不充分问题。针对该问题,本文研究基于深度迁移学习的室内定位技术,主要研究工作如下:针对现有迁移学习定位算法存在的知识迁移不充分问题,本文提出了一种基于全局和局部结构一致性约束的迁移学习定位算法。在潜在子空间中,通过最小化源域和目标域的边缘和条件概率分布差异,以及最大化两个域的方差,约束全局结构的一致性,使得域间均值差异减小且映射后样本尽可能分离;通过最小化类内方差和最大化类间方差,以及保持数据局部的邻域结构,约束局部结构的一致性,使得映射后带相同标签样本尽可能接近,不同标签样本尽可能远离,且保留迁移前后数据的邻域关系。实验结果验证了该算法的有效性。本文提出了一种基于同构深度迁移网络的室内定位算法,利用深度神经网络可学习反映域间不变因素的深度可迁移特征的能力完成知识迁移,克服了传统的迁移学习定位算法通过浅层映射学习浅层表示特征而不能充分迁移知识的缺点。该深度迁移网络通过匹配希尔伯特空间中域间的均值嵌入和相关子域间的均值嵌入,以及匹配域间的协方差来减轻环境变化和设备异构引起的信号强度分布变化带来的定位性能下降。实验结果验证了该深度迁移网络的有效性。针对传统异构迁移学习定位算法通过浅层线性映射学习浅层公共特征而不能充分迁移知识的问题,本文提出了一种基于异构深度迁移森林的室内定位算法。通过采集少量的目标域带标签数据,以两个深度神经网络作为特征映射层,分别学习源域和目标域的一个公共特征,然后利用概率决策森林可以保留数据结构的特性,采用概率决策森林作为预测层用于联合迁移和定位。实验结果证明了该算法在域间分布不同且特征维度不同情景下的定位性能。