随着科技的发展与进步,智能终端设备越来越普及,用户对于基于位置感知服务的需求越来越多,尤其是在大型的购物广场、机场等复杂的室内场所。与其它定位技术相比,基于Wi-Fi的室内定位技术因具有可复用既有网络设施布局成本低和定位精度较好的优点,得到了广泛研究。位置指纹法是目前基于Wi-Fi的室内定位主流方法,该方法利用离线阶段预先采集的信号强度值作为定位场景中的特征指纹来预测用户的位置。其信号采集工作需要消耗大量的时间和人力劳动,如何在保证定位精度的前提下减少信号采集工作量是该领域的研究热点。本文首先针对离线阶段位置指纹库的构建,充分考虑Wi-Fi信号强度的空间相关性,提出了基于Wi-Fi信号信道损耗模型的泛克里金插值算法,在采集少量Wi-Fi信号位置指纹数据的情况下,充分利用少量的Wi-Fi信号指纹数据重新构建高精度的包含更多参考点位置的Wi-Fi信号位置指纹数据库。然后针对在线阶段指纹匹配需要对指纹库进行全局搜索,造成时间开销和资源浪费的问题,通过实验分析了 Wi-Fi信号强度空间划分与物理空间区域划分的相关性,并根据这种相关性对Wi-Fi信号强度数据进行聚类处理。定位算法采用K-最近邻法(K-Nearest Neighbors,KNN)指纹匹配算法并结合一定的接入点(Access Point,AP)选择策略,然后对使用不同空间插值算法构建的位置指纹库进行定位精度的实验验证。实验结果表明在采样点间隔5m情况下,采用基于信号传播模型的泛克里金插值算法构建的位置指纹库的定位平均误差比稠密采集的1m间隔数据的平均定位误差仅仅高了 0.11m,与插值前的5m间隔数据相比降低了 0.6m(12.8%),一定程度上保证了定位精度。与高斯过程回归算法相比低了 0.2m,比反距离加权法的平均定位误差低了 0.4m;当误差累积概率为50%时,基于Wi-Fi信号损耗模型的泛克里金插值算法构建的位置指纹库的定位误差为3.2m,与高斯回归算法和反距离加权法相比分别低了 0.4m和0.7m,与插值前的参考点间隔为5m的指纹库相比低了 0.9m。通过本文的位置指纹库的构建算法重构的位置指纹库,在保证一定定位精度的条件下,可以大大减少离线阶段的数据采集工作。