室内定位技术作为物联网智能感知的基础,有着广阔的应用前景和市场,近年来逐渐成为研究热点。基于WiFi的室内定位技术因其不需要额外的设备安装工作、成本低、精度相对较高等优势,受到了研究人员的广泛关注。同时,位置指纹定位方法具有简单的操作方式和计算过程,可以提供令人满意的定位精度,成为一种热门的室内定位方法,目前已有工作大多以WiFi接收信号强度(Received Signal Strength,RSS)作为位置指纹进行定位研究。然而室内动态环境和设备本身容易产生各种噪声进而影响RSS数值,将严重降低定位精度。本文针对上述问题,对基于WiFi的室内定位技术展开研究,主要内容总结如下。首先,核极限学习机(Kernel Extreme Learning Machine,KELM)有着单隐层前馈神经网络的学习速度快、无需过多的调参过程等优点,所以本文采用KELM作为位置指纹定位算法。通过集中式定位方法开发了移动机器人室内定位平台,应用该平台进行室内定位实验,结果表明基于KELM的移动机器人定位平台提供的定位精度和稳定性可以满足实际需求,而且该平台仅依靠现有的WiFi信号就可实现定位,所以可以大大减少前期设备安装工作量。其次,为了进一步减小环境和设备本身的噪声对定位精度的影响,本文提出了基于RSS标准化波形趋势(Standardizing Waveform Tendency,SWT)的新型特征指纹,然后利用KELM算法在手机室内定位平台上训练与测试该指纹完成定位研究。通过大量的实际定位实验,验证了 SWT处理噪声的能力,证明了本文提出的方法在提高定位精度和鲁棒性方面有显著的优越性。最后,针对KELM方法中存在的单隐层前馈神经网络泛化能力差造成的欠拟合问题,导致基于WiFi的室内定位技术精度低、鲁棒性差,本文提出了利用卷积神经网络(Convolution Neural Network,CNN)和经典机器学习算法(Classical Machine Learning,CML)进行误差反馈补偿的CNN-CML算法,CNN网络中的规则使得多学习模型组合具有可行性,从而带来强大的学习功能。将该算法应用于手机室内定位平台进行实验,结果验证了CNN-CML算法可以减少CNN的训练误差,并能在手机定位平台上提供具有良好精度和鲁棒性的定位服务。