伴随着互联网技术的快速发展,基于定位的服务已经融入了我们的生活,变成日常生活中不可缺少的一部分。而随着移动设备的快速更新,许多的移动应用也嵌入了定位功能。在室外环境下,北斗定位系统,全球定位系统（GPS）,伽利略系统等等基于卫星信号和雷达的定位技术已经非常成熟,并且由于具有抗干扰能力强,精度高,实时性好等特性,这些定位系统已经可以满足广大人民的日常生活需求。但是在人们经常活动的室内环境中,GPS等室外定位系统由于信号被遮蔽而无法定位,所以他们不适合室内定位的研究。作为室内定位的解决方案之一,基于信道状态信息CSI（Channel State Information,CSI）的室内定位系统使用现有的WIFI（Wireless Fidelity,WIFI）资源进行室内定位,具有操作简单、无需携带设备、精度高等特点,引起了研究者的广泛关注和研究。基于CSI的室内定位系统面临着两个主要的挑战:一个是严重的多径和阴影衰落影响,另一个是动态环境的脆弱性。例如短期干扰（例如,桌子,椅子和其他家具的门的打开,关闭和移动）和长期干扰（例如,湿度,温度和光线的变化）将导致信号数据不可用。因此,如果没有及时更新指纹库,将会降低定位精度。为了适应环境的变化,室内定位的一种简单解决方案是重新收集数据并更新指纹库,这种方案十分费时费力。而针对动态环境下室内定位的高损耗和低精度的问题,本文提出了基于TrAdaBoost迁移学习（Transfer Learning）的信道状态信息被动定位方法,主要工作如下所示:（1）在分析了信号的传播模型以及无线环境下的优势之后,通过对比,证明了CSI相较RSSI具有时间稳定性,频率多样性等特性。因此使用CSI作为室内定位的指纹特征,并且通过相位校正,提取CSI的有效相位信息,为后面的研究工作提供基础。（2）通过主成分分析法（Principal Components Analysis,PCA）对CSI数据进行预处理,将高维度的CSI数据映射到低维空间。将降维后的数据作为指纹特征,并且分别在源域和目标域中生成数据集。在分析了数据离散点的比例之后,使用校正因子来降低源域的权重从而优化迭代过程。（3）使用One-hot编码和One-vs-Rest算法实现TrAdaBoost算法的多分类能力,通过多次的迭代来提高学习的效果,最终通过置信概率回归来将最终的输出转变为空间的二维坐标。我们分别在空旷的平台,两个教学实验室和一个办公室总共四个场景下进行试验,评估该方法的性能。对比不使用迁移的方法即Boost方法,在动态环境下我们提出的方法精度可以提高35%,现场勘测损耗可以降低40%。与当前流行的室内定位方法进行对比验证了我们提出的方法的有效性。为了验证在时间和空间的鲁棒性,我们同其它三种迁移学习方法进行对比,TrAdaBoost的定位精度均优于其他方法。