近年来,随着互联网的发展,人们对基于位置服务的精度要求越来越高,由于WiFi设备的低成本和广泛部署,基于WiFi指纹的室内定位技术成为研究热点。但是大多基于WiFi指纹的室内定位技术存在两个问题:一是定位精度易受接收信号指示强度（Received Signal Strength Indication,RSSI）波动的影响,导致定位精度不高;二是设备多样性使得在线定位阶段的RSSI数据和离线训练阶段构造指纹数据库的位置匹配模型的RSSI数据不一致,导致定位系统难以适应多种设备。为解决RSSI值波动造成的定位精度下降问题,混合定位模型集成了卷积神经网络模型和长短期记忆模型建立位置匹配模型。卷积神经网络模型采用残差单元结构,具备强大的特征提取能力和防止网络退化的能力,推断当前RSSI值和位置之间的关系。长短期记忆模型能够学习长期依赖,挖掘定位对象移动时的时空相关性,基于历史RSSI值推断当前位置。混合定位模型将两个网络的位置估计融合在一起形成新的位置估计,提高定位精度。设备接收信号的差异是指不同硬件设备在同一位置获取同一无线接入点信号的RSSI值存在差别,使得基于某一设备采集的数据训练得到的模型对其他设备进行定位时精度会下降。为解决该问题,混合定位模型前加入了在线调整阶段,对初次进入环境的未知设备的指纹数据基于皮尔森相关系数在离线数据库中查找最相似的指纹进行粗略的位置标定,然后采用期望最大化算法迭代训练未知设备到训练设备数据间的转换关系函数。输入混合定位模型的数据先经过学习到的转换关系函数转换,无需手动调整就能解决不同设备间数据不一致问题,提高了混合定位模型的鲁棒性。实验表明,混合定位模型的定位准确率在测试集上达到了98.24%,平均误差距离低至0.23m,优于其他主流的室内定位模型。在线调整阶段也解决了设备多样性导致的在线数据和离线数据不一致的问题,相较于不对未知设备做任何处理,在线调整使得混合模型对未知设备的定位准确率提高了60%。