在智能城市中,用户或物体的室内定位是一个重要的问题,传统的定位方法主要依靠用户随身携带的电子设备。目前,基于信道状态信息（Channel State Information,CSI）的室内无源定位研究正受到越来越多的关注。但是现在大部分的基于CSI的室内无源定位需要采集大量的样本点进行训练,时间成本较大;并且用于训练的CSI特征不确定,导致定位精度较低,定位模型的泛化能力较差。同时由于室内环境频繁发生变化,导致原有定位模型的性能降低甚至失效,只能重新采集样本进行训练,造成人力、物力的浪费。本文针对用于训练模型的CSI特征不确定,需要采集大量的样本点进行训练的问题,提出了一种基于深度学习的集成神经网络,用于室内无源定位。该网络利用深度学习的方式提取有益于定位的特征,用于训练回归神经网络模型;利用多个特征集训练多个不同的神经网络模型,并根据各神经网络的定位误差分配权重,最终定位结果为各神经网络定位结果的加权和。本文针对室内环境频繁发生变化的问题,提出了深度域适应网络。基于扰动因子检测环境发生动态变化后,利用深度域适应网络减少原环境数据集与动态变化后环境数据集的数据分布差异,提高基于原环境数据集训练的模型在动态变化后的环境中的泛化能力。本文进行实验验证了针对以上问题提出的两种网络框架也表现出了良好的性能,首先基于深度学习的集成神经网络有百分之九十五的数据定位误差小于0.5m,平均定位误差为0.4m,该方法优于传统定位算法,与单神经网络定位相比也有改进;实验表明基于原环境采集数据集训练的模型在动态变化后的环境中的定位精度下降至1.7m,使用深度域适应网络处理动态变化后的环境中采集的数据集,再使用原定位模型进行预测,定位精度提高至0.92m。