随着普适计算、无线传感网络以及物联网(internet of things,IOT)的迅猛发展,室内区域定位技术在老人健康监测、智慧大楼、入侵检测等领域发挥着重要作用。因为无线信号的非视距、覆盖范围广、全天候工作等特点使得基于无线信号接收信号强度指示(received signal strength indication,RSSI)的区域定位优于传统基于红外、视频、光学感知的室内区域定位方法。国内外基于无线信号RSSI的室内区域定位技术已经取得了重要的进展,但是,现存的方法在实际应用过程中主要有存在如下三个问题:第一,是无线电信道效应的动态和不可预测性(如多径传播、信道衰落等)对RSSI的干扰影响。第二,由于低功耗蓝牙(bluetooth low energy,BLE)信标仅分配了三个广播信道,当接收器附近安装超过3个信标站时,由于发生冲突而不能正确地恢复信标信号。第三,BLE信标的传输功率低,传输范围窄,因此,接收器更可能位于BLE信标站的边界区域。同时,BLE信标站通常由电池供电,因此当电池耗尽时会有信号真空。针对问题一,本文根据机器学习与深度学习的算法,构建蓝牙锚节点之间RSSI和物理位置信息之间的模型,该模型通过捕获粗细粒度特征与定位区域的对应关系来减弱RSSI序列对信道变化的依赖,首先,利用卷积神经网络(convolutional neural network,CNN)学习捕捉RSSI序列的特征来抽取区域中心点的细粒度特征。然后,通过双向长短时记忆网络(bidirectional long short-term memory,Bi LSTM)的存储记忆特性,学习当前与过去RSSI序列中隐含区域范围的粗粒度特征。最后,利用注意力机制,通过融合粗细粒度特征,建立RSSI序列特征与区域位置的映射关系,获取区域位置信息。针对问题二,本文组建蓝牙Mesh网络,建立无线设备的多对多通信,使得很多节点可以通过中继接收到消息,扩大了网络的传输距离,增大可用节点的数目,减少网络冲突,增强了网络的稳定性,此外,网络运行时,不需要通过创建和管理复杂的路由表、路由发现表等来进行信息的传递,节省了维护网络运行所需的存储器空间;针对问题三,组建的Mesh网络通过多路径(Multi path,MP)传播的网络泛洪消息传递,使得信息可以通过多条路径到达目标节点,扩大了传输范围,并且,网络传输不会因为任何节点的故障而造成致命性影响,保证了网络的稳定性。真实室内环境下区域定位的实验结果表明,与目前定位效果最好的网格区域综合概率定位模型相比,提出的方法在降低计算复杂度的同时提高了区域定位的准确度和对环境的适应能力。