随着通信及网络技术的不断发展,对室内位置信息服务的需求越来越大,使得室内定位技术成为了当下科学研究的一个重要领域。基于接收信号强度指示(Received Signal Strength Indication,RSSI)的无线测距定位技术因其检测机制简单、硬件成本低、实现容易等优点,已经成为了室内定位技术中的主流方法,但尚存在一定的技术瓶颈有待进一步探索。室内信号传播损耗模型是基于RSSI测距定位技术的关键。但因室内环境较为复杂,易受到多径效应等因素影响,使得基于经验的固定参数的信号传播损耗模型环境适应性差,导致测距定位误差较大;而利用传统的神经网络进行传播损耗模型训练则存在所需训练样本过多、硬件采集工作量大等缺点。针对以上问题,提出在变密度采样模式下的基于灰色理论与径向基(Radial Basis Function,RBF)神经网络相结合的传播损耗模型训练方法。基于灰色理论,利用少量样本预测得到更多样本,并与部分原始样本共同重组样本数据进行RBF神经网络的训练,可以利用较少的训练样本准确地建立室内信号传播损耗模型,能够很好地满足室内测距定位的精度要求,并可大大减少样本采集工作量。目前基于几何法的室内无线定位技术主要可分为基于测距的和与距离无关的两类。与距离无关的定位算法如质心法、加权质心法等虽然对硬件要求不高,但定位误差比较大;而基于测距的三边定位法、最大似然法、最小二乘法等因在实际应用中各定位圆周往往不能相交于一点,很难求得最优解,加之通常没有考虑不同参考节点对目标位置具有不同的影响力,因此难以获得较高的定位精度。针对以上问题,本文提出基于测距误差的适应度值加权计算的粒子滤波算法(particle filter,PF),将测距定位问题转化为非线性不相关方程组的最优化问题,并兼顾到不同参考节点对定位目标的影响力,在一定程度上降低了定位偏差,使定位结果更加接近真实位置。单一的定位算法在对目标进行实时定位时,因忽略了先验位置信息,往往会形成不合理甚至错误的跟踪路径;此外,现实中被跟踪目标的移动路径会经常表现为类似折线、往返等非线性不可导问题,而标准的卡尔曼滤波难以解决非线性系统的预测问题,扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法因将非线性问题线性化而导致计算复杂度较高、易受噪声影响、因误差累计使滤波器无法收敛等问题,在用于目标跟踪时均会出现较大的预测偏差。针对以上问题,本文提出对移动路径进行转向角补偿的无味卡尔曼滤波(Unscented Kalman Filter,UKF)算法,将非线性不可导路径转化为可导的直线或非线性路径,通过滤波预测降低定位误差,提高目标实时定位跟踪的精度。针对以上算法,本文采用了理论分析、计算机仿真及实验研究相结合的研究方法,对算法进行了验证和改进,也为算法的实际应用提供了参考。