全球定位系统（GPS）能够在全球范围提供定位服务,然而由于缺乏卫星与室内接收机之间的视线传输信道,无法在室内环境中工作。因此,近年来一系列室内定位系统（IPS）得到了发展。其中基于无线保真（Wi-Fi）的IPS由于其出色的普适性以及指纹定位技术的高精度得到学术组织和商业机构的广泛关注。然而Wi-Fi通信设计用于宽带数据传输,因此Wi-Fi容易受到许多干扰,有着不稳定性质。而指纹技术在定位时,需要将观测信号与指纹库进行匹配,因此需要通过保证指纹库的时效性,才能保证WIFI指纹定位的可靠性。指纹库的勘测代价极为高昂,这限制了基于WiFi的IPS的大规模应用。受到集体智慧的启发,学术界提出基于众包技术来降低建立指纹库的勘测代价,然而基于部分采集工作的半监督方法与基于额外传感器的无监督方法的实际应用效果不达预期。针对难以平衡勘测代价与定位精度的核心问题,提出了基于弹性流形与卷积神经网络的定位框架,无需额外的传感器与现场勘察。由于室内定位是在平面区域上,信号是关于物理坐标的函数,因此可以合理假设众包采集的无位置标签的观测信号服从二维流形分布。基于弹性映射的思想,提出通过保真约束以及流形的形状约束进行流形的迭代式重构。重构算法收敛时,二维流形的拓扑结构和物理平面区域坐标形成一一映射,此时流形可以认为是代理指纹库。受Wi-Fi信号底层流形稳定性和计算机视觉技术启发,在位置估计阶段提出了用于定位的卷积神经网络Lo CNN进行定位,综合了二维拓扑结构的局部关系以及高斯噪声假设进行数据增强,反映了卷积神经网络的全图计算优势。设计了大量的仿真和真实实验对所提出的定位框架进行了验证。对重构进行可视化分析,并对提出的Lo CNN与其他定位方法进行了一系列对比。实验结果表明,Lo CNN定位算法在仿真和真实实验中表现出优越的性能,对比于实验中的其他方案在均方根误差（RMSE）以及平均绝对误差（MAE）等评价指标上均表现优异。