随着移动互联网技术的发展,人们对于位置服务的需求越来越大,位置服务在诸如社交软件、医疗救护、商场导购和仓储管理等领域应用广泛。室外环境的定位与导航服务主要使用全球卫星导航系统。但是卫星信号由于受到建筑物的遮挡无法在室内环境中使用。由于无线局域网(Wireless Local Access Network,WLAN)的普及,无线接入点已被广泛布置在室内环境,与其他室内定位系统相比,基于位置指纹的WLAN室内无线定位系统具有硬件成本低、网络分布广和精度高等优势。本文以WLAN和位置指纹的定位技术为研究对象,针对现有定位技术中的不足,结合模式识别和机器学习的理论和方法,提出了相应的解决方案。本文的主要工作包括三个方面:针对接入点(Access Point,AP)的接收信号强度值(Received Signal Strength,RSS)的不确定性,提出了稳定Max Mean AP选择方法,该方法从n个AP中选取信号强度值最强并且信号稳定的前m个AP。实验数据表明该算法有效降低了RSS不确定性对定位精度的不利影响,同时减少定位时间和计算量。针对训练样本中奇异点的存在导致的支持向量机法的过学习和低泛化性问题,提出了基于指纹数据库的K近邻-支持向量机回归(K Nearest Neighbor-Support Vector Machine,KNN-SVM)混合聚类算法,利用KNN法去除训练样本中的奇异点,再运用SVM算法计算出待定位点位置坐标,实验测试结果表明该算法可以有效提高定位精度,降低误差。在上述研究的基础上,提出了基于Android平台的IOTLocation室内定位系统的设计方案,采用Java语言编程实现了服务器端及客户端功能,并对该系统进行了相关测试分析,测试结果表明该系统具有较高的定位精度、较好的扩展性和较低的复杂度。