随着基于位置的服务技术（Location based Service,LBS）不断发展,人们对定位技术的需求越来越大。卫星定位技术可广泛应用于室外环境的定位,然而由于卫星信号对建筑物的穿透能力较弱,该技术在室内环境中的应用面临诸多局限,因此亟需深入研究可靠的室内定位技术。在常用的室内定位技术中,基于WLAN信号的室内定位技术有着覆盖面广,部署成本低,易安装,非视距传播等优点,因此展现出较优的普适性。在WLAN定位技术中,无线指纹是一种应用较广的方法,具有对接入点（Access Point,AP）位置依赖度低、无需额外的定制化硬件等优点。该技术主要分为训练阶段和测试阶段,在训练阶段,移动设备通过采集无线信号并对参考点（Reference Point,RP）进行标定,从而生成训练数据,然后通过分析参考点位置与指纹的关联特性,构建无线定位模型。在预测阶段,移动设备采集到一系列查询指纹并发送定位请求,模型根据无线指纹信息确定该设备当前的具体位置。本文在国家自然科学基金项目“多源信息融合的室内移动机器人定位与导航关键技术”的支持下,针对基于WLAN的室内无线指纹定位过程中存在的指纹数据扩充、无线指纹特征提取、AP选择、定位模型构建、定位误差校正、多楼层定位等内容展开研究,通过深入分析指纹数据与参考点之间的关联特性,构建室内无线定位模型,并对模型进行验证和比较。本文的具体工作及主要创新点体现在以下几个方面:（1）提出了基于高斯过程回归模型的指纹数据扩充方法。快速有效地构建训练数据库对无线定位地图的创建有着重要的作用,在获取训练数据时,需要在不同的RP处逐点采集对应的接收信号（Received Signal Strength,RSS）,当定位场景较大或采集点较多时,室内勘测量急剧增加。为此,本文深入研究RP与RSS之间的关联特性,通过构建高斯过程回归模型,用有限的RSS数据预测未标定区域的指纹,在不增加额外勘测成本的基础上实现了指纹数据扩充,提高了定位性能。（2）研究了基于变分自编码的指纹特征分析和提取方法。根据采集到的信息有效提取指纹特征有助于提高定位性能。鉴于目前机器学习在室内LBS领域的广泛应用,本文针对无线信息提出了一种基于非监督学习的变分自编码（Variational Auto-encoder,VAE）方法来分析指纹,并用特征提取模型来描述定位指纹,使定位框架能够取得更好的性能及更稳定的定位分布。（3）针对无线定位过程中的AP接入点选择、定位模型构建、定位误差校正等问题,构建了基于模型强化的室内定位系统。用接入点辨识准则分析AP在空间中的信号分布,并依此选择出辨识性能强的AP用于定位。通过利用模型反馈和学习局部残差,对定位模型进行强化,此外,还对指纹校正方法进行了研究,进一步减小了异常指纹产生的定位误差影响。（4）为解决众包指纹数据采集方式中指纹数据空间分布不平衡的问题,构建了稀疏数据场景下的楼层辨识及2-D定位模型。为深入研究相邻参考点之间的关联,对指纹数据的空间分布进行了统计,并用指纹图来描述不同参考点之间的相关性,引入图注意力机制对查询数据进行分析,评估相邻参考点对该指纹的影响,并在此基础上构建了基于稀疏数据的多楼层辨识模块及其2-D定位模型。