近年来,随着WiFi技术的不断发展,越来越多带有WiFi功能的设备被应用到人们的工作、学习、生活等各个方面。然而在WiFi设备的管理上大多数采用文本标签或者电子标签的方式实现对设备的管理,用户很难实时获取到设备的工作状态以及位置信息。为了能够实时监测WiFi设备在使用过程的工作状态以及位置信息,本文利用WiFi探针技术,实现了对WiFi设备的智能化管理。首先,针对WiFi探针观测设备的接收信号强度指示（Received Signal Strength Indication,RSSI）序列缺失的问题,使用了支持向量机回归（Support Vector Regression,SVR）的方法对缺失的RSSI序列进行预测;然后,使用长短期记忆网络（Long Short-Term Memory,LSTM）对RSSI序列进行学习从而获得终端定位模型,实现对WiFi设备室内和室外的判别;最后,设计并实现了一套基于WiFi探针的设备监管系统。具体的:首先,由于WiFi信号易受干扰以及WiFi探针本身无法观测到设备任意时刻的数据,使得WiFi探针观测到的RSSI数据存在缺失。针对WiFi探针数据缺失的问题,本文实现了一种基于SVR的WiFi探针缺失数据预测方法,用于对WiFi探针缺失数据的预测。使用WiFi探针的实测数据对比了传统均值、前向传播（Back Propagation,BP）神经网络以及SVR算法的预测性能。实验表明,SVR算法的预测效果优于传统均值和BP神经网络,可以有效解决WiFi探针数据缺失的问题。其次,为了实时掌握设备处于室内还是室外的位置信息,本文提出并实现了一种基于LSTM和WiFi探针的终端定位方法。WiFi探针用于观测室内外WiFi设备的RSSI时间序列,LSTM神经网络完成对连续时刻的RSSI时间序列的学习,获得基于LSTM的终端定位模型,从而实现对设备室内和室外的判别。同时以单个时刻的RSSI值为输入,其对应设备的位置为输出,分别构建了基于支持向量机（Support Vector Machine,SVM）、基于K-最近邻（K-Nearest Neighbor,KNN）以及基于梯度提升决策树（Gradient Boosting Decision Tree,GBDT）的三种终端定位模型与本文实现的基于LSTM的终端定位模型进行性能对比。实验结果表明,基于LSTM的终端定位模型具有更优良的性能,其准确率达到了98.84%,可以准确、快速地判别终端设备是在室内还是室外。最后,本文利用单个WiFi探针,结合基于SVR的WiFi探针缺失数据预测方法以及基于LSTM和WiFi探针的终端定位方法,设计并实现了一套基于WiFi探针的设备监管系统。该系统由WiFi探针、树莓派、本地信息处理节点以及Web客户端组成。其中WiFi探针负责对WiFi设备数据的采集,树莓派负责将采集到的数据发送至本地信息处理节点,本地信息处理节点负责对WiFi探针数据进行分析和处理,并将WiFi设备的位置信息和状态信息上传至本地数据库服务器,最后通过Web客户端实现对WiFi设备的监管。通过在实地进行系统部署和测试,结果表明,该系统可以实现对WiFi设备智能化的管理。本文实现的基于WiFi探针的设备监管系统,能够实时监测到WiFi设备的位置信息和工作状态,为有效管理WiFi设备提供了数据支撑,打破了传统的设备管理模式,为设备的智能化管理和发展提供了支持。图[48]表[25]参[60]