随着手持移动设备的普及,位置服务(LBS)的需求不断增长。如今,室内定位系统(IPS)正在普适计算中起着重要作用,同时吸引了来自工业界和学界的大量关注。此外,无线信号设备的普遍使用以及普通手机可用接收信号强度(RSSI)进行测量使得使用机会无线信号的接收信号强度(RSSI)的技术得到了强烈的关注。各种无线通信技术都被用于室内定位和导航服务,基于无线的IPS在室内定位领域已成为全球定位系统(GPS)的主要替代。除此以外,基于无线信号的指纹定位方法越来越多的被用于定位手机用户。然而,RSSI测量的不可预测性很大程度的影响了以RSSI为基础的室内定位系统的性能。一方面,这是由于许多因素会影响无线传播;另一方面,使用多种设备来捕获RSSI值可能影响测量结果的一致性。在本文中,我们希望利用现有的无线热点(APs),寻求一种能获得一个可靠的房间级定位精度的室内定位方法。本文目的是提出一个系统化的解决方案来克服现有的基于无线IPS所一直面临的挑战。首先,我们研究了不同数据库定义对精度的影响、特征聚类的影响,以及选择热WiFi点最优子集以减少计算负担。其次,我们提出了设备异构性的解决方案。提出一个新的基于标准化排序的支持向量分类器(NR-SVM)来实现高效、准确的房间级精度室内定位。通过将RSSI值进行标准化转化、主要特征优先级以及考虑特征向量维度的方法,引入重新生成的RSSI绝对值。此外,我们利用快速收敛的方法,减少了指纹识别离线阶段的工作量。实验结果证明其鲁棒性,在不低于98.75%的测试案例中正确估计率达到93.75%,并且56.25%的案例正确率达100%。在实验中,本文提出的方法表现优于KNN、朴素贝叶斯、随机森林和神经网络算法。而且,我们将该方法与三种流行的基于免标定转换的方法进行对比,包括差分法(DIFF),信号强度差异(SSD),和基于SVM双曲位置指纹识别(HLF),结果表明NR-SVM优于这些主流方法。