无设备定位（Device-free localization,DFL）系统因为比有设备定位（Device-enabled Localization,DEL）系统更便于投入使用而引起了广泛关注,并且基于指纹的定位方法通常被应用DFL系统中。尽管在基于指纹的定位方法中可以通过通道状态信息得到细粒度的信息,但是随着时间的变化环境也会产生相应的变化,这可能导致信道状态信息（Channel State Information,CSI）值的变化。因此,实时CSI数据无法很好地与预先建立的指纹图中的数据进行匹配,从而影响定位结果的准确性。本文提出了一种被动室内定位方法,该方法采用迁移学习（Transfer Learning,TL）方法更新指纹图谱,并采用Light GBM算法训练指纹图谱。本文的主要工作内容如下:（1）研究基于Light GBM（Light Gradient Boosting Machine）的定位分类算法。Light GBM算法通过采用逐叶增长策略来提高定位性能。与其他集成学习算法（例如GBDT和XGBoost）相比,定位精度得到了相应的提高。（2）研究采用迁移学习的方法来解决由于环境变化而导致CSI数据不稳定的问题。特别地,为了减少由于CSI数据的重新采集而造成的开销,我们应用联合分布适配（Joint Distribution Adaptation,JDA）算法来找到目标域和源域之间的CSI数据的相关性,从而更新预先建立的指纹图谱,以减轻CSI的变化所带来的影响。（3）将所研究的定位方法进行测试,针对CSI指纹库随时间以及环境不同会变化这一特点进行算法性能评估。为验证不同环境下所提方法的有效性和鲁棒性,选取两个不同的定位场景进行验证。以Cramer Rao下界（Cramer-Rao Lower Bound,CRLB）作为评估标准来评估所提出方法的鲁棒性。实验结果表明:应用校准方法后的平均距离误差可以更接近CRLB的平方根,表明了该系统具有较强的鲁棒性,可以在保持定位精度的同时,有效减少更新阶段重新收集CSI数据所造成的开销。并且通过使用JDA对指纹图谱进行校正可以达到提升定位精度的效果。