近年来,无线局域网络的广泛部署和移动智能设备的迅速普及为无线室内定位提供了便利条件。在众多纷纭的定位技术中,射频指纹技术由于具有精度高、成本低的优点,吸引了越来越多的研究人员关注。但与此同时,室内电磁环境复杂,加之随机因素过多,无疑会给射频指纹定位的精度带来影响,因此针对此问题,本文将机器学习引入射频指纹定位中,尝试提出新的算法以提高定位精度。在传统的射频指纹定位系统中,由于射频信号受到多种因素的影响,尤其是在真实的大规模复杂室内环境中,指纹信号和地理位置之间对应的的数学模型难以构建。针对该问题,我们提出了一种基于七层神经网络的射频指纹方法。该方法先通过将原始的指纹信号输入到四层的深度神经网络中挖掘出射频指纹中的潜在特征,然后再将该潜在特征输入到一个三层的神经网络中进行定位。由于挖掘的特征对于不同的物理空间具有更好的适应性,该射频指纹定位系统在UJIINDOORLOC公开数据集上可以实现99%的定位准确率。其次,实验结果表明,当选取的测试集采集时间比训练集晚四个月时,定位准确度下降到72%,这说明,在基于机器学习的射频指纹定位中,随着时间的推移,定位精度快速下降。通过分析以RSSI为代表的射频指纹随时间变化的统计特征,发现在不同时间段内,射频信号具有不同的数据分布,导致了定位系统的时效性较差。针对该问题,我们提出了两种基于迁移机器学习的射频指纹算法。一种是基于特征的迁移机器学习,该方法是通过挖掘离线指纹数据和在线指纹数据的潜在指纹特征来实现精确定位,因而具有更好的时间适应性。另一种则基于样本的迁移机器学习,通过引入小部分新的指纹数据来改变原始指纹数据分布,从而提高定位精度。在UJIINDOORLOC公开数据集上的测试结果表明,当选取的测试集采集时间比训练集晚四个月时,基于特征迁移机器学习的射频指纹定位系统,可以实现82%的定位准确率;基于样本迁移机器学习的射频指纹定位系统,可以实现90%的定位准确率,均比直接训练的模型的准确率有了显著的提高。