伴随着物联网技术的发展,社交网络、购物导航和智能家居等应用已成为人们生活中不可或缺的部分,而精准的目标定位则是这些应用的关键要素。传统的目标定位方法主要基于GPS技术和指纹技术。其中基于GPS的定位方法只能在室外实现速准确的定位,在复杂的室内多径环境下,GPS则精度大大下降甚至无法使用;基于指纹的定位方法则需要大量的人力周期性地收集指纹库,并且其定位精度容易受环境影响。因此,低代价的精准的定位技术就成为了当前急需解决的问题。近年来,由于Wi-Fi设备的廉价性,其已经广泛部署于大多数室内公共场合以及家庭,因此基于Wi-Fi设备的室内定位引起了学术界广泛的关注。目前大部分基于WiFi无线信号的室内定位技术要么为了低代价牺牲定位精度,要么为了定位精度牺牲代价。因此,本文为了实现低代价的高精度室内定位,提出了一个基于神经网络频带拼接的室内定位方法。然而在这个过程中,我们面临了以下挑战:1)原始数据的CSI由于硬件晶振和收发端时钟偏移带来的偏移负载,使得误差较大,无法直接使用;2)跳频在客户端带来了额外的跳频驱动,客户端的设备通常是使用智能手机,智能手表和配备有Wi-Fi芯片的便携式设备,额外的驱动会加大设备的耗能;3)数据通信是所有应用的重要部分,不断的切换信道也会严重影响到客户端正在进行的数据通信的稳定性。如何在仅使用单AP下,又无需过多的人为客户端干预成为了目前要解决的难点。为了解决以上问题,本文工作主要具体研究内容如下:(1)分析由于硬件时钟偏移给CSI测量数据带来的偏移原因和偏移影响,通过对数据的预处理来得到信道下真实有效的CSI数据。(2)提出一种基于神经网络来学习信道状态信息的方法,通过对多个信道下相干时间之内的信道状态信息CSI特征的提取,来实现频带的拼接,构建虚拟高带宽的信号。室内环境的动态变化性和多径的影响是室内定位系统的决定性影响因素,如果系统模型的响应时间太久,信道的状态信息特征曲线改变,则会使模型失效。针对这一个挑战,神经网络的高效性可以很好的在信道稳定时间内得到基于信道状态信息的特征并及时的更新;将拼接阶段和定位阶段分离,并行进行,客户端依然使用单信道通信,这样就不会给客户端带来额外的跳频负载。(3)提出一种基于频带拼接的多因素定位系统,室内环境中的多径和非视距路径严重的影响着定位的准确度,当非视距路径和视距路径相近时,低带宽的分辨率将无法识别。并行的客户端使用单信道通信就可以得到更高的虚拟带宽,既不会影响到正在传输的数据通信,又可以在时域和频域下均得到更高的分辨率,本文使用一种综合多因素的聚类方法,剔除非视距路径的异常值,实现高准确度和高精度的定位结果。大量实验证明本文提出的室内定位方法的有效性。其中在复杂的室内环境下,本文可以实现对目标的定位中值误差平均为0.7m。