随着科技的发展以及人们生活质量的提高,高质量的定位服务逐渐成为人们日常生活的必需。室外位置服务在GPS和北斗系统的部署和完善下已经可以满足人们基本的出行定位需求。然而,面对复杂的室内环境而导致信号的衰弱和多径效应,GPS和北斗系统仍无法实现较为精准的定位。WiFi室内定位技术因为具有较高的定位精度、不易受室内环境因素的影响、稳定性较高且成本低廉等优点,成为室内定位技术的首选。本文研究了使用EM(Expectation-Maximization最大期望)算法结合K-means++算法构建指纹数据库,使用朴素贝叶斯公式结合LVQ(Learning Vector Quantization,学习向量量化)算法完成待定位点匹配的技术。主要工作如下:(1)分析了初始参数对EM算法的迭代次数及迭代结果的影响,选择使用K-means++算法初始化模型参数,仿真结果表明使用K-means++算法初始化参数后,EM算法的迭代次数以及得到的高斯混合分布模型的累积误差都得到了优化,EM算法的运算量降低了22.5%~25%。(2)分别使用单高斯分布模型,普通EM算法以及EM+K-means++算法生成的指纹数据库结合朴素贝叶斯公式进行定位仿真,仿真结果表明构建指纹数据库的概率模型累积误差越小,定位精度越高,其中使用EM+K-means++算法生成的指纹数据库的定位精度最高,在采样间隔为2米的情况下,平均定位误差为1.56米,相比于普通EM算法,定位精度提高了3.2%~7.3%。(3)通过分析朴素贝叶斯法的时间复杂度,发现使用朴素贝叶斯法定位的运算量较大,提出了使用LVQ算法将定位区域分成多个小区域,提取各个区域采样数据的原型向量,把待测数据与原型向量匹配,将待定位点定位到其最可能处于的小区域中,然后在该区域中使用朴素贝叶斯法精确定位。通过仿真实验发现,使用LVQ算法后,在保证原有的定位精度的情况下,匹配运算量降低了56%~68%。本文的工作可以为基于WiFi指纹数据库的室内定位在构建基于高斯混合分布模型的指纹数据库以及使用朴素贝叶斯法进行定位匹配提供理论和实践支持。