人类日常生活中80%的时间都在室内,紧急求助、安全防范等基于室内定位的需求不断增加。WiFi指纹定位由于不受室内多径效应影响可以获得较高的定位精度而成为热点研究对象。首先,针对指纹库数据量庞大导致定位效率低的问题,本文采用K均值聚类（K-means）算法对指纹库聚类。传统K-means算法随机初始化聚类质心导致聚类收敛于局部最小值,本文提出了改进的K-means算法,采用具有全局寻优能力的粒子群优化技术（PSO）选取初始聚类质心,并将固定的惯性权重和学习因子改进为随迭代次数动态变化的值,提高算法的全局寻优能力。同时,聚类以信号强度（RSSI）欧式距离为标准,没有考虑指纹的位置坐标对聚类的影响,使聚类出现离散点,于是改用指纹与聚类中心的RSSI与位置坐标的双重距离进行聚类。其次,在线匹配阶段常用的加权K近邻（WKNN）算法,通过计算RSSI欧氏距离表示待测点与指纹库中参考点的坐标相似度,没有考虑RSSI波动影响且信号强度相似度与位置相似度不完全一致,使定位误差较大。本文提出RSSI加权马氏距离替代欧式距离,利用协方差矩阵反映了指纹库中数据的特征,降低了RSSI波动的影响,并引入权重近似待测点和参考点之间的位置关系。此外,WKNN对于不同地点最近邻居的数量K为固定值,本文对于不同待测点提出了动态的K值代替固定值,进一步提高了定位精度。最后,将提出的基于改进K-means聚类和WKNN算法的室内定位方法进行仿真分析。通过仿真得出,改进算法的平均定位误差为1.35m,较WKNN改善了32%,在线定位时间为0.57s,改善了65%,故提出的算法是一种高精度和高效率的室内定位方法。