随着飞速发展的移动互联网技术,以及智能移动终端设备的广泛普及,人们对基于位置服务LBS给予了更高的期望和要求。当前,室外环境的定位技术已趋于成熟,而室内环境的定位技术仍处于研究阶段,其中,基于位置指纹匹配的室内定位技术因其成本代价较低、硬件设备简单、定位精度较高等优点,已成为众多室内定位技术中的研究重点。本文针对这一室内定位技术进行了更深入的研究和探索,发现存在如下问题急需改进:不同信号采集设备采集同一位置的RSS指纹存在明显差异;WiFi信号在室内复杂环境传播过程中易受到干扰;采集大数据集位置指纹数据库时需要付出大量的人力成本;定位算法支持向量机SVM在定位面积较大时定位精度较低、耗时较长。针对以上问题本文提出相应的解决方案,论文的主要工作如下:（1）对采集到的WiFi信号进行高斯滤波预处理,并采用信号强度差SSD指纹替代传统的RSS指纹。理论分析发现RSS的值与移动终端的天线增益因子G_MT有关,因此,将同一位置采集到的AP₁的信号强度和AP₂的信号强度做相减运算,从而消除G_MT因子,实验结果证明,经高斯滤波处理的WiFi信号值更接近其真实值,不同移动设备的SSD指纹的差异相比于RSS指纹的差异减小了83.1%,具有更好的鲁棒性。（2）采用克里金插值法建立大数据量位置指纹数据库。高密度的指纹信息可提高定位精度,但室内活动面积逐渐增大的同时人力采集位置指纹数据建立指纹数据库的代价也越来越大,因此,为解决上述问题,提出克里金插值法对部分未知点进行插值计算,实验结果证明,采用克里金插值法可节省离线阶段40%的指纹信息采集工作量。（3）随着定位面积的不断加大,SVM的惩罚参数C与核参数?的选择将直接影响到定位效率和定位精度,因此本文引入动态搜索烟花算法dynFWA对其参数进行优化,且采用基于SVM的分类和回归定位模型进行定位。通过对比实验证明动态搜索烟花算法dynFWA在优化SVM参数过程中收敛速度更快、最佳适应度函数值更优,基于dynFWA-SVM定位模型的平均定位精度可达到1.63米。