随着位置服务的广泛发展,对室内精确定位的需求越来越迫切。楼层定位作为多层建筑室内定位的前提条件,显得尤为重要。虽然研究人员对楼层定位做了大量的研究工作,但在大规模多层复杂建筑物中,单一模式楼层识别不能处理多场景特征差异性,导致准确性和鲁棒性不能满足应用要求,因此本文聚焦于多源混合楼层定位方法。为了在复杂的多层建筑中获得准确可靠的楼层估计,利用Wi-Fi信号及气压计在楼层定位中的天然互补性,本文先后提出了两种基于机器学习的混合楼层定位算法:（1）基于XGBoost的启发式混合定位楼层算法。该算法利用置信度阈值,将基于XGBoost的Wi-Fi楼层定位与基于气压的楼层定位启发式融合,并结合楼层切换检测和隐马尔可夫模型实现更灵活、更准确、更鲁棒的楼层定位。实验表明,该方法可以达到99.2%的准确率。除此之外,该方法还可以提供连续垂直坐标,这对于完整的垂直定位至关重要。（2）基于残差因子图的自适应混合楼层定位算法。首先提出基于RSSI相似性和空间邻近性将整座建筑物聚类为若干自治块,其次在每个自治块内构建细粒度分楼层模型,从而优化复杂环境下的Wi-Fi 楼层定位模型。对气压变化与高度变化之间的关系建模,首次提出通过残差因子图将多源异构高度信息（Wi-Fi扫描、气压差数据）自适应地结合起来,进而实现在大型建筑物复杂场景下的精确鲁棒垂直定位。实验证明,两种算法的准确率均优于现有的楼层定位算法,基于残差因子图的自适应混合定位算法在更多场景中（不同时间、不同设备）比第一种启发式融合算法具有更高的普适鲁棒性。