近年来,基于位置服务（ILBS）的商业价值攀升,越来越多的应用需要在室内实现精准定位。然而室内环境复杂性和障碍物等严重影响了定位的准确性。本文研究基于深度学习的室内定位算法,针对室内精准定位存在的问题,提出了三个有效算法。本文的主要研究成果包括以下几个方面。首先,本文提出了基于神经网络的指纹选择定位算法。为了解决室内定位中定位区域面积较大、指纹数据较长和指纹质量参差不齐等问题,本文建立信号值和距离的相关性,选择优秀指纹数据实现位置估计。选择指纹时我们使用贪心启发式策略将目标确定到一个分区内,然后使用分区内收集到的信号值作为新的指纹数据为接下来精准定位做准备。目标的实际位置由神经网络模型的输出值经过坐标映射获得。实验结果表明,基于神经网络的指纹选择定位算法可以提供更加精准的定位并且占用更少的内存。第二,本文提出了基于路径指纹和卷积神经网络的定位算法。该算法有效解决室内由于信号源少环境噪声大而频繁出现twins指纹的问题。twins指纹会导致一维指纹失效,对精准定位造成很大的困扰,很多研究致力于解决此问题,但是大都需要额外硬件辅助定位。本文在不增加硬件成本的前提下,提出构建路径指纹并用卷积神经网络完成室内定位的算法。算法在构建路径指纹时将前几个时刻的指纹合成为二维指纹张量,基本消除twins指纹。二维指纹内数据的局部相关性使其尤其适合使用卷积神经网络来学习指纹的特征。模型通过多重卷积、池化、激活等运算过滤数据噪声,充分学习路径指纹和坐标的关系。实验结果表明,基于路径指纹和卷积神经网络的定位算法可以有效解决twins指纹问题,提供更加精准和稳定的性能。第三,本文提出了基于指纹优化的双输入模型定位算法。为了解决室内障碍物导致的指纹与标准指纹差别大并且指纹量不充足的问题,本文选择使用注意力机制对指纹进行优化,然后将原始指纹和优化后指纹输入模型,分别学习进行位置估计。指纹优化时,我们通过计算其与标准指纹的相似度得分,然后根据得分调整指纹数据。为了更好的学习指纹的特征,本算法提出模型设置了残差层,并且采用双输入设置,将优化后的指纹和优化前的指纹均输入模型参与位置估计。实验结果表明基于注意力机制的优化指纹有利于提高定位精度。