随着无线网络的普及和普适计算技术的发展,基于位置的服务受到越来越多的关注,在紧急救助、医疗保健、个性化信息传递等领域显示出巨大的活力。其中,定位技术是实现普适计算应用和基于位置的服务的必要前提和关键。但是,现有的定位技术,特别是室内定位技术,在使用成本、应用范围和便携性等方面还不能满足普适计算应用的需要,限制了基于位置的服务在用户中的普及。基于WLAN和位置指纹的室内定位技术由于使用范围广,能够以纯软件的方式实现,定位系统成本低等优点,成为近年来普适计算和位置感知领域的一个研究热点。本文对这一技术进行了较深入、系统的研究,并针对定位准确度、移动设备能耗方面存在的问题,采用人工智能和数据挖掘理论,提出了相应的解决方案。通过算法比较和实验分析,证明了方案的有效性和可行性。论文的主要工作和创新点如下:(1)通过在实际WLAN环境中测得的位置指纹数据,从定位的角度分析了无线信号在室内的传播特性,并提出一个表示定位平均误差的数学模型。在基于WLAN和位置指纹的定位技术里,采样点间距、接入点的个数以及环境的干扰是影响定位平均误差的重要因素,但是对于这些参数的选取目前还没有较系统的指导,主要依靠经验来确定。该数学模型形式化地概括了定位问题中的一些关键因素。通过仿真实验,本文分析了各因素与定位平均误差之间的关系,为设计定位算法、部署定位系统提供了一定的理论支持。(2)根据多源信息融合的思想,提出了一种基于Dempster-Shafer证据理论的定位方法。由于受室内复杂环境里噪声的干扰,位置指纹数据中常含有不确定性因素,提高定位准确度是当前研究的重点之一。该方法将接入点作为提供接收信号强度数据的信息源,能够为不同的信息源赋予不同的信任度,详细地描述和区分了不同接入点对定位结果的贡献能力。在选择信息源时,还采用了本文所提出的一种接入点选择和匹配方法——最大匹配法。与目前常用的一些定位方法相比,本文所提的方法能够更加有效地估计用户的位置,准确度更高。(3)提出了一种基于高斯混合模型(GMM)的位置指纹聚类算法。鉴于越来越多的用户使用主要依靠电池供电的移动设备,如何减小定位算法的计算量,节省电能也是一个十分重要的问题。本文提出的算法用高斯混合模型表示位置指纹的簇,通过考虑接收信号强度的概率分布,克服了现有聚类算法只考虑接收信号强度大小的相似性的不足,从而减小聚类对于含噪声数据的敏感性。此外,该算法中的参数含义明确,易于使用。实验结果表明,该聚类算法能更好地降低定位算法的计算量,减小移动设备的能耗。(4)本文以普适计算应用为背景,设计并实现了一个基于WLAN和位置指纹的室内定位系统原型,并在实际的无线局域网环境里对上述方法进行了实验。实验结果表明,本文提出的方案在提高定位准确度的同时,还能够降低定位算法的计算量,增强了定位系统的实用性。