近几年来,随着多信息融合以及物联网技术的发展,智能电话和其他无线设备大规模普及,涌现了包括室内定位在内的各种服务。室外定位主要依靠的是GPS系统,而在建筑物内以及密集的楼群中,GPS的信号会受到严重的影响,因此大量室内定位技术涌现。由于WLAN技术的发展,许多室内区域已经实现了Wi Fi的覆盖,Wi Fi定位无需部署额外信标,同时位置指纹定位技术无需对复杂的室内环境建模,因此基于Wi Fi位置指纹的室内定位技术受到广泛关注与研究。然而,由于复杂的室内环境和Wi Fi信号易受干扰性的特性,基于Wi Fi位置指纹的室内定位面临极大的挑战。本文的研究分为建筑物与楼层的识别和楼层内的定位。首先提出了基于深度学习的建筑物与楼层的识别,将栈式压缩自编码网络(SCAE)加入到深度神经网络(DNN)中,离线阶段利用SCAE提取Wi Fi信号强度的特征作为DNN的输入,对网络进行训练,在线阶段对建筑物与楼层进行识别。SCAE-DNN网络对输入信号的波动鲁棒,因此识别精度较高。针对楼层内定位提出了一种基于AP序列的缩小定位区域的算法(Rdc-SRL),通过分析不同参考点AP序列的顺序,得出结论:位于同一区域参考点的AP间Wi Fi信号强度大小关系相对稳定。根据这一结论,利用选择的AP序列将定位区域划分,定位时首先定位所在区域,在区域内利用具有软约束距离的k NN算法(SRL-k NN)确定最终位置。通过缩小定位区域,减小了算法需要遍历的指纹库大小,提高了定位精度,降低了计算复杂度,同时有效的解决了利用k NN等信号空间定位算法未与实际空间相联系的问题。此外,利用稳定的AP序列定位解决了信号强度的波动性问题。建筑物与楼层的识别利用公开数据集UJIIndoor Loc进行实验验证,结果表明,利用SCAE-DNN的建筑物与楼层的识别准确率达到了99.7%。楼层内的定位在实际搭建的室内定位系统进行,利用Rdc-SRL定位算法,在搭建的实验环境中75%的定位误差在1m以内。