无线定位的应用迅速发展，室内环境和闹市区是人们生活的主要场所，其应用需求尤其迫切。但在这类环境中，由于建筑物的遮挡和多径传播的影响，无法准确测量信号传播时间、信号到达角等定位参数，不能准确地建立信号传播的机理模型，导致许多传统定位技术效果不佳甚至失效。国外提出了基于无线局域网的室内定位系统，用指纹定位技术取代传统定位技术。本文以此为背景研究了基于接收信号强度的无线局域网定位算法，并进行了仿真实验，证明了算法的有效性。　　 首先介绍了几种主要的无线定位技术原理。指出了指纹定位较传统技术更适合于室内和闹市区等多径传播严重的环境。重点介绍了指纹定位的概念，分析了数据采集、数据库的建立和学习等主要问题。　　 研究了基于k-近邻算法的无线定位算法。分别使用标准k-近邻算法和加权k-近邻算法对终端位置进行估计，并在加权k-近邻算法中给出了加权因子分母为零的情况的处理。在仿真实验中，比较了不同方法的定位效果和不同的加权因子的影响。实验还表明，近邻数目的选择存在最优值，随着近邻数目的增大，每种位置估计方法的平均精度都先快速下降，后缓慢上升。　　 将BP神经网络用于接收信号强度和终端位置关系的建模，并利用其泛化能力进行终端位置的估计。具体研究分析了网络模型结构的确定，学习参数的选择，数据预处理等，并加入动量项对模型的训练进行改进。最后进行了仿真实验，结果证明了该方法的有效性。实例一分析了定位效果随训练样本数目的变化，实例二探讨了用k-fold交叉验证方法确定迭代次数的过程和效果。　　 支持向量机是基于统计学习理论和结构风险最小化原则的学习方法，特别适合小样本情形下的学习。论文使用最小二乘支持向量机进行定位算法的研究，考虑利用其小样本学习能力提升位置指纹样本有限时的定位能力。仿真实验证明了该算法定位效果。