位置信息作为数字世界和物理世界交互的泛在连接,提供了重要的感知信息,和人们的生产生活密切相关。近年来,位置服务的相关技术和产业正从室外向室内/地下等更加复杂的空间发展,以提供无所不在的基于位置的服务。然而传统的基于单一信源和参数化定位的方式面临着信号观测空间有限、多径干扰、非视距传播等棘手问题,环境适应能力、精度和稳健性都较差,迄今为止尚未有任何一种方案能够提供泛在、无缝、智能的定位服务。随着物联网技术的飞速发展,目标定位的主体总是处于无线/雷达/光电/惯导/视觉等异构传感器的交叉覆盖之下。这些传感器可以提供以目标位置空间为中心的丰富的多模态定位信源模板（如信号强度/角度/时延/角速度/加速度/图像/视频等）。同时,随着人工智能领域的突破,以机器学习技术为代表的基于数据驱动的指纹定位因无需繁杂的参数估计吸引了众多研究者的关注。这些基于多模态融合的指纹定位算法不仅克服了传统单一信源只能处理特定环境的缺陷,其在多径、非视距等场景下相比参数化定位策略也具有更高的定位精度。但在“高动态变化”环境下,目前这些方法仍然缺乏对环境的动态感知和深度认知,具体表现在:（1）不同的定位信源和定位算法各有优缺点,目前的融合算法缺乏对信源空间、算法空间、权重空间的联合优化;（2）离线指纹库易失效,传统方法需要不定期采集大量同构有标签数据进行指纹库更新,具有繁重的样本采集负担和维护成本;（3）高动态场景下,多模态定位数据表现出硬件、时间、空间、维度等不同域上的差异性,使得位置指纹具有跨模跨域的分布性差异,目前仍然没有算法能在该类复杂场景下实现稳健的高精度定位。本论文引入小样本学习、基于多源信息的知识融合、基于域自适应的知识迁移等技术理论来处理这些关键性问题。具体研究内容和创新成果为:（1）为解决不同定位算法在融合时置信度不一致的问题,本文提出了一种基于概率校准的有监督融合算法。该方法在定位的离线阶段引入概率对齐模块,通过校准数据对齐算法的置信度。基于校准的定位模型,进一步提出了一种贝叶斯网络融合模型,可以评估不同模型的可信度的同时,智能化地估计目标位置。该算法克服了传统融合定位中算法空间选择的难题,平衡了不同定位算法的预测置信度,可融合多种不同类型的定位算法,具有一定的普适性。（2）为解决多模态定位信源融合的有效性问题,本文提出了一种基于真值发现的无监督融合算法。该方法在离线阶段首先通过构造派生指纹特征得到有效的多源知识表征,然后在线上定位阶段引入混合指纹质量指标对多种信源进行概率建模并评估不同信源在不同子区域的优势,最后使用Gibbs-EM融合定位算法迭代求解建立的概率模型,发现最具可信度的信源及其提供的位置。由于混合指纹质量的估计在线上阶段完成,该方法无需离线阶段的权值训练,存储和匹配,因此消除了有监督融合方法中的权重空间估计难题,降低了系统负担。实验结果表明,该算法无需额外的指纹和硬件校正,不仅能够克服信源空间选择难题,还同时具备细粒度区域切换、快速增量融合、多风格融合的优点。（3）为解决部署指纹库的时间漂移问题,本文提出了一种基于无标签异构知识迁移的指纹库重构算法。该算法通过引入细粒度源域、跨域特征映射、迁移权重学习三个子模块,实现了首个支持异构小样本校准数据的实时指纹库更新与位置估计的全新定位机制。通过引入核函数映射,该算法还支持更复杂的非线性定位数据输入。该算法还提出了一种三步迭代优化策略来得到问题的闭式解,能有效降低算法的计算复杂度。实验结果表明,该算法可以在较低的人工负担下实现指纹库的自动、实时、连续的更新,由此带来的定位精度比使用静态指纹库提升约两倍。（4）为解决动态环境下的定位精度低的问题,本文提出了一种高动态环境下的高精度定位框架。首先深入探索和分析了高动态环境下影响定位精度的深层次原因,发现了短期定位和长期定位下跨模跨域数据中存在的小样本、数据分布差异、特征异构等制约知识迁移与共享效率的关键瓶颈问题。针对这些问题,利用知识迁移与融合的思想,针对长期定位下的问题,设计了一种从样本、特征和模型三个层级上进行多层级异构知识迁移的算法。针对短期定位下的挑战,构建了一种增量集成定位模型,能够同时学习模型参数和估计位置进而解决短期的分布差异。实验结果表明,在动态变化的环境中该框架带来的精度比传统方法提升了约1.3倍,远远超过现有基准定位算法的性能。本文的研究成果不仅适用于定位领域,其原理和方法可直接拓展到目标识别、探测等目标感知领域,可为复杂环境下基于多模态数据的目标智能感知提供重要的解决手段。