正在蓬勃发展的新一代信息技术为人们生产生活的各个领域带来了深刻的变革。作为国家命脉的工业和制造业正在逐渐转化升级为以人工智能和大数据技术赋能的工业互联网,工业自动化、智能化水平不断提高。基于物品位置的服务（Location-Based Services,LBS）能够极大提升工业自动化的效率。射频识别技术（Radio Frequency Identification,RFID）具有价格低廉、无源、低功耗等优点,能够便捷地提供大致的位置信息,目前已在后勤管理、智能物流、机器人导航等多种领域被广泛应用。由于无线信号传播中存在多径效应和噪声等不利因素的影响,现有的基于RFID的定位方法存在不足,往往难以兼顾硬件复杂度、时延和定位精度。本文面向当前日益增长的室内定位应用需求,以提高室内定位精度、降低部署复杂度为目标,研究了基于双RFID标签的室内定位技术。首先,本文提出了一种综合大小孔径的双RFID标签定位算法。本文通过实际环境中的信号采样,分析了RFID信号相位与信号传播距离的对应关系,以及信号相位进行定位所面临的实际问题。接下来,针对实际环境中信号相位校准难的问题,收集了不同位置和方向的标签数据并对相位偏移进行统计分析,设计了基于双标签的定位方案以消除随机的相位偏移。针对由相位“2π混淆”带来了信号-距离映射不唯一的问题,本文采用了基于信号到达角（Angle of Arrive,Ao A）的定位原则,并且利用不同观察孔径所具有的特性提升定位性能。具体地,本文提出利用由天线所构成的大观察孔径获得较高的定位精度,同时由双RFID标签所构成的小观察孔径消除相位混淆所造成的定位错误。本文使用商业现成RFID设备搭建了硬件实验环境。实验结果表明,本文所提出的算法能够达到厘米级的定位精度,优于其他的具有类似硬件配置的定位算法。其次,本文提出一种基于机器学习的采样信号偏差修正技术。由于无线传播环境的复杂性,RFID信号中存在一定的观测偏差,对定位精度造成不利的影响。本文通过实际数据测定了采样信号与理论信号的采样偏差,发现该偏差虽然复杂多样,难以通过数学模型进行精确描述,但存在一定的与传播环境相关的稳定特征。针对此特点,本研究提出利用神经网络学习实际应用环境中真实RFID信号采样偏差的分布,并据此对采样信号的偏差进行修正,以提升信号质量。据此,本文提出了一种基于多层感知机的采样数据偏差修正网络。实验表明,本文所提出的基于神经网络的采样数据修正方法,能够有效提升双RFID标签定位算法的性能,其中位置估计精度提升50%,方向估计精度提升12%,达到了良好的定位效果。