当前,无线通信和人工智能技术高速发展,移动智能终端日益成为人们日常生活中不可或缺的一部分,使得室内基于位置的服务越来越重要。同时,室内场景下无线接入点（Access Point,AP）的大规模部署为基于WiFi技术的室内定位带来了广阔的发展前景,因此吸引了国内外大批研究人员开展WiFi位置指纹定位技术的研究。然而室内场景下存在很多干扰WiFi信号传播的因素,容易发生阴影、衰落等现象,使得接收信号强度（Received Signal Strength,RSS）出现一定程度的不确定性,制约着WiFi位置指纹定位的稳定性和精度,这也对指纹定位技术的研究带来了一些挑战。本文对室内复杂环境下的RSS信号特性及其与物理位置的映射关系进行了深入分析,并在此基础上对WiFi位置指纹定位离线阶段和在线阶段两个环节中需要面临和解决的问题进行了总结,针对这些问题,本文主要做了如下工作:（1）针对室内场景下建筑物遮挡和行人移动等因素引起的接收端RSS值波动幅度较大的情形以及一些AP信号覆盖能力有限,其指纹特征对物理位置的判别能力较弱的问题,提出了一种基于最优稳定能力和位置判别能力的AP选择算法,在室内环境里已部署的AP节点中选择对定位最有利的AP用于指纹库构建。该算法首先使用接收端RSS信号方差和出现频率度量AP的稳定能力,选择稳定能力最强、受环境影响最小的APs作为最优稳定AP子集,然后通过RelieF特征选择算法计算RSS样本指纹的每个AP特征的权值系数,选择权值系数最大也即位置判别能力最强的APs生成稳定能力和位置判别能力最优的AP子集用来构建离线指纹数据库。实验结果表明,与当前最典型的AP选择算法相比,该算法可以明显的提高定位精度,同时能够降低系统的运算消耗。（2）传统K均值聚类算法的初始聚类中心是随机选取的,这不仅导致聚类结果中容易产生孤立点,还可能陷入局部最优解。针对这一问题,提出了一种基于密度的K均值聚类算法。该算法考虑样本空间中的分布情况,通过计算每个样本点的密度,在样本集中依次选择高密度分布的K个样本点作为初始聚类中心。实验结果表明,优化后的K均值聚类算法具有更高的轮廓系数和更小的误差平方和,聚类效果更加优秀。（3）提出了一种基于改进的RBF神经网络指纹定位模型。该模型旨在优化网络隐藏层样本中心的选取和初始参数,用于在线阶段的位置预测。首先使用基于密度的K均值聚类算法确定隐藏层样本中心和数量,然后引入天牛须搜索算法不断对网络的初始参数进行了搜索更新,找到使网络性能达到最佳的初始参数值,提高模型的定位精度。实验结果表明,优化后的RBF神经网络模型在训练时具有更快的收敛速度,并且泛化能力更强,在线阶段的位置估算精度更高。