随着智能移动设备的不断更新和发展,基于位置服务的应用逐步普及,万物互联和智慧城市的进一步发展需要高精度鲁棒的室内定位技术作为核心支撑。在室外环境下,全球导航卫星系统为室外开阔场景下的多个方面提供了高精度的定位服务。但在室内环境中,建筑物遮挡、障碍物复杂和多径影响等因素制约了定位的精度,因此亟需展开对高精度高可靠室内定位技术研究,以满足精准实时的室内定位服务需求。本文针对室内环境中CSI信号受噪声干扰影响大、幅度特征区分度不足、计算量大、相位失真导致特征难以提取四个问题,基于CSI信号的双通道特征开展室内定位技术研究。在分析CSI幅度特征分布规律的基础上,提出了自迭代幅度特征提取算法;在分析相位间三类相关关系的基础上,提出了基于多维相关性的相位特征提取网络;最后,通过两种提取后的特征进行位置解算。具体研究工作如下:1.针对CSI幅度数据易受环境、硬件噪声干扰、计算量大,且存在随区域扩大而区分度不足的问题,本文提出一种自适应高区分度幅度特征提取算法:聚类映射(Clustering-Map,C-MAP)。该算法由动态去噪和特征增强两个部分组成。在动态去噪部分,通过迭代聚类的方式获得核心特征,同时减少经验参数对该过程的影响,并对聚类方式进行增强,有效应对极端情况,旨在去噪的同时保证算法的适应性。在特征增强部分,通过结合正则化多项式拟合和曲线梯度数据提取更细粒度变化特征,然后通过非线性核函数获得映射后稳定、高区分度幅度特征。2.针对CSI相位数据中由相邻数据包引入的时间相关性、由天线物理位置引入的天线间相位相关性和子载波相关性,本文创新的提出了一种基于多维相关性的CSI相位特征提取网络:卷积-图卷积网络(Convolution-Graph Convolution Network,C-GCN)。该网络同时考虑欧式空间的时间相关性和非欧氏空间的天线间相关性、子载波间相关性,旨在将单位置点动态变化规律融入指纹库,同时充分挖掘天线和子载波引入的相关性。在图卷积层,C-GCN将每根天线的每路子载波看作网络中的一个节点,以天线间相关性和子载波间相关性构建网络中的边连接。在卷积层,C-GCN通过欧式空间卷积对有着自然结构关系的时间维度相关性进行提取。最后结合图卷积层和卷积层,采用端到端的训练方式,获得包含三类相关性的新相位特征。3.针对CSI双通道特征,将C-MAP所得稳定、高区分度幅度特征和C-GCN所得包含相关性的相位特征同时存入指纹库,在此基础上构建基于CSI双通道特征的室内定位系统MAP-GCN,完成位置解算。经实验测试与评估,本文提出的C-MAP算法有效提高了 CSI幅度特征的稳定性和特征区分度;C-GCN网络表现出了优越的抑制误差长拖尾性能;二者结合的双通道定位系统MAP-GCN在室内综合办公环境中平均误差为0.99m,在地下车库环境中平均误差为1.14m。该系统提升了 0～2m范围内定位准确性,同时抑制了误差长拖尾,提高了定位稳定性。