随着物联网和移动互联网应用的爆发式增长,人们对位置信息的获取越来越迫切。但是,目前广泛普及的定位技术,如全球定位系统,北斗导航系统等,均无法在室内进行准确的定位。如今,WIFI网络在室内已经广泛部署,覆盖了人们生活的大部分区域,如学校、商场、机场、医院等。而且WIFI网络具有传输速率高、成本低、覆盖面广等优点,几乎所有的无线终端都已接入WIFI模块。因此,利用现有的WIFI网络资源实现室内位置指纹定位具有广泛的应用前景。本文在大量WIFI接入点(AP)可连接的场景中实地采集RSSI样本,采用理论与实验相结合的方法对RSSI作为定位特征指纹所表现出来的特性进行分析,发现直接利用所有可以发射信号的AP进行定位,在增加计算复杂度的同时,还会引入干扰影响定位精度。所以在对比分析了各种主流降维算法对指纹特征的降维效果之后,选取降维效果最佳的基于核主成分分析的降维算法作为本文的预处理算法,消除了特征指纹的噪声和冗余,降低了计算复杂度。针对RSSI非线性、非高斯的统计特性,使用基于核函数的支持向量回归机对室内定位进行建模,但是支持向量回归机的性能受其自身参数和核函数参数的影响较大,并且传统的参数寻优算法需要以较长的时间和较高的计算复杂度为代价才能得到较好的寻优效果。为此,在分析了传统参数寻优算法的不足之后,提出免疫粒子群寻优算法,经验证,免疫粒子群寻优算法节省了大量的计算时间。最后,将KPCA算法和免疫粒子群寻优后参数组合最优的支持向量回归融合在一起,将现场采集的WIFI指纹数据进行实验仿真,并与其他定位算法进行对比。结果表明,本文算法在定位精度与定位效率方面均表现出不错的性能。