随着通信技术的蓬勃发展,基于位置的服务在人们生活、工作中扮演着重要作用,使得定位技术尤其是室内定位受到越来越多的重视。无线局域网(Wireless Local Area Network,WLAN)的普及和智能设备的大量使用,让实用性强、成本低、定位精度较高的基于位置指纹的WLAN室内定位技术受到了更多的青睐。但是,有两个关键问题制约了位置指纹室内定位的发展。其一,预先构建的指纹库无法对变动的指纹数据进行更新。由于指纹数据库需要提前在实验环境中进行采集和构建,而随着室内摆放物的移动、人员流动情况等因素引起位置指纹数据变动时,继续沿用原有的指纹库会增加定位误差;其二,待测目标位置定位准确性和实时性不高,难以满足生产生活需求。针对上述问题,提出了更优的室内定位技术模型。本文的具体工作如下:(1)提出了基于融合自组织映射聚类和卡尔曼滤波的动态指纹库构建聚类方法,主要完成了两个任务:1)指纹数据动态更新。对于指纹数据中的重复指纹,根据上一时刻的数据特征进行动态融合更新;2)指纹数据动态聚类。在保持已有的训练结果的基础上,对更新后的指纹数据进行无监督学习,并动态对指纹数据进行聚类。(2)提出了基于改进型极限梯度提升算法的室内定位技术。改进后的算法模型解决了分类问题中训练海量数据集所导致的类别不均衡问题。当类别样本数目过大或过小时,进行样本特征提取会导致偏向大样本类的学习,忽视小样本类的特征。首先提出了损失贡献机制来模拟样本的损失量和损失贡献权重机制来计算样本分类准确的概率;最后根据损失贡献权重来提高小样本特征权重,使得小样本获得更多的关注,从而增强算法分类效果。本文提出了动态指纹库构建聚类框架和高精度室内定位框架,两个框架分别从指纹库构建聚类和待测点位置估计进行优化改进。同时,每个框架都进行算法验证,并将两个定位框架联合应用在一组实验中验证定位效果,结果表明,联合后的定位方案在2m内的定位准确率达到93%。