随着人们对位置服务需求的日益增长,基于接收信号强度（Received Signal Strength,RSS）指纹的室内定位方法因其具有成熟的基础设施和易于实现等优势而被广泛关注与应用。然而,基于云架构RSS指纹室内定位需要将大量的RSS数据上传到云服务器上,为云服务器的计算、通信、存储带来了巨大的挑战;此外,这些RSS数据包含用户大量的敏感信息（如位置信息、出行习惯等）,将其直接发送到不可信的云服务器,会严重侵害用户的隐私,给用户的生活、工作带来巨大的困扰。此外,深度学习（Deep Learning,DL）模型的性能与数据样本量及数据丰富程度息息相关,为了给用户提供高性能的室内定位服务,需要收集大量的RSS数据,但RSS数据收集及标注耗时且费力。因此,如何在实现用户数据隐私、模型参数隐私的细粒度保护,降低计算、通信、存储开销和减少数据标注及收集任务的前提下,为用户提供高可靠、强实时的室内定位服务,对促进室内定位服务快速发展及落地具有重要的意义。针对该挑战,本文主要研究工作如下:（1）针对基于DL的室内定位模型在训练及应用过程当中存在的用户隐私及模型参数隐私泄露,以及基于云架构的室内定位服务难以解决万物互联时代下的诸多挑战等问题,本文提出了边缘计算下指纹室内定位差分私有联邦学习（Federated Learning,FL）方法（A Differentially Private Federated Learning Model for Fingerprinting Indoor Localization in Edge Computing,DP-FLoc EC）,该方法利用FL技术实现本地子模型训练,在提高定位精度的同时减少数据传输延迟,并利用差分隐私（Differential Privacy,DP）技术解决模型训练及应用阶段的用户隐私泄露问题。实验结果表明,与基于云架构的集中式模型相比,该方法在提供可证明的隐私保护情况下取得了较高的定位精度、减少了通信开销;与基于FL架构的分布式模型相比,该方法在取得几乎相同定位精度和资源开销的情况下,提供了更全面的隐私保护。（2）基于云架构的RSS数据在收集及标记过程中,将会耗费大量的人力、物力、财力,同时这些数据包含了大量的用户隐私,将这些RSS数据直接暴露给不可信的云端,会严重侵犯用户的隐私。针对该问题,本文提出了边缘计算下指纹信号融合半监督极限学习差分私有室内定位方法（A Differentially Private Fingerprint Fusion Semi-supervised Extreme Learning Machine for Indoor Localization in Edge Computing,Adp-FSELM）,该方法基于FL架构和DP实现RSS指纹数据收集、融合与及隐私保护处理,利用半监督极限学习机（Semi-supervised Extreme Learning Machine,SELM）实现室内定位模型训练。实验结果表明,与现有的半监督学习方法相比,该方法能够在保护用户数据及模型参数隐私,抵御贝叶斯推理攻击的同时,有效地降低人工数据标注任务量。此外,该方法能够以较小的时间开销为用户提供实时的定位服务。（3）针对边缘计算环境的高度复杂性与动态性,现有的隐私预算分配策略难以适用于边缘计算环境下室内定位隐私保护问题当中。本文通过研究边缘计算环境下隐私损失度量与追踪方法,首次提出边缘计算下支持动态隐私预算分配的室内定位联邦学习方法（A Dynamic Privacy Budget Allocation Federated Learning Model for Fingerprinting Indoor Localization in Edge Computing,ADP-FLoc EC）,利用皮尔逊相关系数（Pearson Correlation Coefficient,PCC）及DP实现RSS数据收集及预处理,利用Rényi差分隐私（Rényi Differential Privacy,RDP）动态追踪模型训练过程中的隐私损失。实验结果表明,所提方法能够实现室内定位模型训练过程中的隐私预算精细化分配,在保护用户数据隐私及模型参数隐私的同时,获得了较高的室内定位模型精度以及较低的响应时延。