随着物联网应用的涌现,位置信息需求急剧增加,且其在应用实现过程中起着至关重要的作用。智能医疗、智能家居和对象跟踪等应用程序都需要准确的室内位置信息。而随着无线技术的不断发展和无线设备的广泛部署,Wi Fi、5G/4G、FM、电视等无线信号几乎覆盖了我们生活的每一个角落。当目标处于不同位置时,不可避免地会对周围的无线信号产生不同的影响,因此,通过分析受影响的无线信号来估计目标位置是可行的。这种无需目标携带任何定位设备也不主动参与定位过程即可估计目标位置的定位技术,我们称之为室内设备无关被动无线定位技术。室内环境下诸多无线信号由于其自身的粗粒度性,在遭受室内多径效应的影响下,无法准确感知目标,导致室内设备无关被动定位性能无法达到令人满意的程度。而随着IEEE 802.11 a/g/n协议的发布,Wi Fi所采用的正交频分复用技术为无线定位提供了细粒度的信道状态信息,它能刻画室内多径传播特征,为室内细粒度高精度的设备无关被动定位发展提供了新方向,成为了当前室内无线定位的研究热点。目前,关于室内设备无关被动无线指纹定位的文献中,大多数的文献都需要布置多对发射接收设备,增加了系统开销。此外,他们忽略了定位指纹会随时间发生改变这一问题,导致定位精度随着时间的推移而急剧下降。因此,本文从细粒度单通信链路设备无关被动无线指纹定位的角度出发,结合迁移学习,重点研究定位指纹随时间发生变化情况下的设备无关被动无线指纹定位方法。本文的主要工作和贡献如下:1.针对目前大部分工作存在的系统开销大及定位精度随着时间的推移而急剧下降的问题,我们提出了MSDFL,一个基于关系迁移的设备无关被动指纹定位系统。它基于信道状态信息的振幅信息,通过提出的矩阵相似性算法比较测试样本和指纹库样本完成分类,最终估计出目标位置。由于其利用了丰富的信道状态信息以及多天线信息,仅使用单通信链路即可提供准确的定位结果。为了减少噪声并提取贡献最大的子载波,我们提出了一种新颖的数据预处理方案来处理采集的信道状态信息振幅数据,并为下一步的关系迁移进行了样本对齐。最后,通过人工神经网络来获取指纹变化关系,并利用这种关系对指纹库进行了更新,解决了定位指纹随时间发生改变导致定位性能急剧下降的问题。2.针对MSDFL系统通过指纹变化关系进行迁移有可能破坏指纹库中数据的可分性问题,我们提出了TLLOC,一个基于加权可迁移判别维数降低方法的设备无关被动指纹定位系统。在TLLOC中,我们借鉴了迁移学习中共同特征子空间的思想,提出了一种新颖的加权可迁移判别维数降低方法。它旨在通过指纹数据库和少量的定位指纹发生改变后的指纹样本,构建出一个低维的潜在空间,该空间可以同时提高训练样本的可分性,并缩小指纹数据库与定位指纹发生改变后的样本之间的分布差异。在这种低维的潜在空间下,TLLOC可以利用单通信链路信道状态信息的幅值信息,基于支持向量机算法最终获得令人满意的定位精度,同时节省了由于需要重新收集指纹数据库而导致的校准成本。3.针对信道状态信息振幅响应对于室内人体感知能力较低的问题,我们对信道状态信息中提取的相位信息进行了校准,并全面分析了它们的特征以及其作为定位指纹时对室内设备无关被动指纹定位的影响。然后,我们提出了DFPhase FL,第一个仅使用信道状态信息中提取的相位信息来完成设备无关被动指纹定位的系统。DFPhase FL首先从信道状态信息测量中提取原始的相位信息,然后去掉相位偏移,获得经过滤波后的校准相位信息。由于校准相位信息随时间的变化具有不可预测性,我们将训练样本与测试样本之间的不一致分布问题视为迁移学习问题,并提出了一种将深度神经网络与转移学习相结合的转移深度监督神经网络（TDSNNN）方法。通过该方法,我们可以从校准相位信息中学习到新颖的同时追求可迁移性和判别性的特征表示,并用作定位指纹。然后,利用支持向量机算法,DFPhase FL系统只需利用单通信链路的相位信息,就能达到令人满意的定位精度,同时节省了指纹数据库的重新采集成本。4.MSDFL、TLLOC和DFPhase FL系统首先需要训练迁移模型获得新的特征表示,然后在新的特征表示空间内训练定位模型以定位目标,训练过程过于繁琐。针对这一问题,我们提出了LTLoc。它只需要一个Wi-Fi接入点和一个接收器,将从信道状态信息中提取的振幅信息和校正相位信息一起作为定位指纹,训练一个基于深度神经网络的回归模型,得到目标位置。丰富的指纹信息进一步提升了系统定位性能。另外,为了解决由于指纹变化而导致定位模型在长时间内性能急剧下降的问题,我们提出了一种基于元网络的自适应深度神经网络。它可以利用元网络来学习定位模型中哪些层和特征需要转移,以自动适应定位指纹变化。这样一来,LTLoc免去了MSDFL、TLLOC和DFPhase FL系统繁杂的训练过程,只需使用单通信链路的信道状态信息就能达到令人满意的定位精度,并且可以长期保持,不需要重新采集指纹数据库的成本。