信息技术的发展极大地促进了人们对于位置服务的需求。近年来,Wi-Fi局域网的广泛覆盖以及智能终端设备的普及,为室内定位提供了高可用的基础设施。Wi-Fi指纹定位技术因其简单有效的特性成为室内定位的主流技术之一,广泛地应用于工业生产、社会生活、商业营销等多个领域。在信息数字化与共享的时代,大多数建筑物内的Wi-Fi接入点(Access Point,AP)分布都较为密集,在提高定位精度的同时也带来了一系列问题。接收信号强度指示(Received Signal Strength Indicator,RSSI)作为一种简单且易获取的无线信号物理特征成为一种常用的位置指纹。在真实室内环境中,RSSI易受环境变化的影响而产生波动,降低指纹特征区分度。因此,充分地分析AP对定位区域进行合理划分,提取稳定且区分度大的指纹特征具有一定的研究价值。本文针对现有指纹定位算法中存在的不足,从定位区域划分、指纹特征提取、权值优化等方面展开研究。首先,构建原始离线指纹数据库。收集定位区域内各参考点(Reference Point,RP)可检测AP的RSSI值和物理地址,并采用自适应卡尔曼滤波与中值滤波处理RSSI数据,同时记录RP的位置坐标作为指纹特征向量的数据项构建原始离线指纹数据库。其次,通过分析各RP可检测到的AP序列划分定位区域。将参考点的指纹特征向量对应的AP序列按RSSI值降序排列,分析各RP间此AP序列的最长公共子序列衡量相似度。基于此相似度,通过有序聚类算法将位置相邻且指纹特征相似的RP划分为一个子区域。子区域划分后,各区域内以各自的最长公共子序列统一指纹特征向量维数,构建分区指纹数据库。再次,获取待定位节点的指纹特征以及按RSSI值降序排列后的AP序列。计算该序列与各子区域的最长公共子序列衡量相似度,进行粗定位,选取相似度最高的子区域并与该区域的指纹特征向量统一维度。最后,分析子区域指纹特征分布特性,选取最优尺度核主成分分析模型对子区域指纹及目标节点指纹进行特征变换,提取稳定且区分度大的指纹特征子集,通过遗传算法优化的加权K近邻算法预测目标节点位置。实验结果表明,本文提出的有序聚类区域划分算法可进一步降低在线阶段计算复杂度,减少平均定位时间;多尺度核主成分分析特征提取模型可有效地提取稳定且区分度大的位置指纹特征,减少噪声对定位结果的影响,提高定位精度。