随着通信和网络技术的快速发展,精准位置服务在军事和民用领域均已得到了广泛应用。目前,室外定位技术相对成熟,但室内定位技术由于室内环境复杂多变等因素的影响,难以实现精准定位。因此精准的室内定位算法成为当前研究热点,而室内定位技术为适应多样化室内环境还面临着许多亟待解决的问题。本文针对室内位置指纹定位过程中存在数据噪声、在线阶段计算量大、定位精度不高的问题,研究了基于模糊C均值的聚类区域划分方法以及动态k值的加权KNN在线位置匹配方法,进而提出了改进的室内位置指纹定位算法FDWKNN。论文主要工作如下:(1)改进降噪方法,使用整体和局部结合的降噪方法,对数据库中位置指纹数据进行更全面地降噪处理,提取具有表征能力的位置指纹。通过设置AP接入点扫描次数阈值,从整体上剔除离群点产生的数据噪声;使用高斯滤波从局部滤除随机噪声,最后取均值作为参考点的位置指纹。(2)使用优化的模糊C均值算法对离线数据库中位置指纹进行聚类计算,划分指纹簇,从而实现定位子区域划分。引入BWP指标对KNN算法的聚类结果进行判断,挑选出最佳分类数目和最佳分类数目所对应的聚类中心,作为模糊C均值算法的分类数目和初始聚类中心,减少迭代计算,完成对模糊C均值算法的优化。使用优化的模糊C均值算法划分定位子区域,避免了传统在线阶段遍历计算整个数据库,在线定位阶段只需计算待定点归属于某一定位子区域,实现“粗定位”,减少了在线定位阶段计算量。(3)设计动态KNN算法,将传统的KNN算法中固定k值设置为动态值,设定动态权重。k值根据待定点所属定位子区域参考点分布情况动态取值,依据参考点对待定点位置坐标计算的贡献程度不同分配不同权重,优化待定点位置坐标计算。论文从数据滤波、定位子区域划分、在线阶段位置匹配三方面进行阐述和分析研究,实验测试表明FDWKNN位置指纹定位算法在精度和稳定性方面均有所改善。