近年来,基于无线接入点(Access Point,AP)接收信号强度(Received Signal Strength,RSS)的位置指纹(Location Fingerprinting,LF)室内定位技术已成为国内外位置感知研究的热点。基于RSS指纹的室内定位技术通过利用在感兴趣区域(Range of Interest,ROI)采集到的来自各个AP的RSS值来推断观察者或场景内物体的坐标,且事先不需知道AP的位置。此外基于位置指纹的定位技术不需要添加额外的硬件支持,可以方便的应用到移动设备中,展现出明显的优势。论文深入研究了基于RSS的室内定位技术,并分析了提高定位精度的方法。本文提出基于位置指纹的解耦室内定位,通过对X轴和Y轴独立地进行定位决策,以期在减少决策代价的同时提高定位精度。论文主要工作如下:首先,给出了基于RSS的无线局域网(Wireless Local Area Network,WLAN)室内定位系统的研究依据。并分析了几种基于WLAN的室内定位系统的优缺点,对比得出基于LF的定位技术是目前应用最多、发展前景最好的方法。其次,分析概括了定位技术的理论基础。本文先从WLAN网络的组成、拓扑结构及工作模式简要描述了无线局域网。在此基础上,给出当前应用较为广泛的几种在WLAN环境下的室内定位技术,并重点阐述了LF定位原理。然后介绍了三种应用最多的定位算法,即K近邻(K-nearest Neighbor,K-NN)法、朴素贝叶斯法和支持向量机(Support Vector Machine,SVM)法。接下来,实现了基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的LF室内定位。本文首先提出基于LS-SVM的指纹定位模型,再给出了LS-SVM指纹样本训练的具体实现过程。接下来详细阐述了如何利用一对一和一对多方法将多分类问题转化为多个二值分类问题。仿真结果表明,较传统SVM、K-NN方法的分类准确率高且计算代价小。最后,实现了基于RSS指纹的解耦室内定位。文章首先提出了轴向解耦位置指纹定位框架,然后给出了解耦定位的训练与预测的具体实现过程;最后将LS-SVM、SVM、K-NN等分类器应用到解耦定位框架中,实验结果验证了解耦定位方法的有效性。