随着无线通信技术的进步与智能终端的发展,基于位置的服务的需求也在不断增加,目标的精准定位是各类基于位置的服务实现的关键。WiFi设备在现如今的各大室内场合中非常普及,且不需要额外的设备支持,使得基于WiFi的室内定位系统成为研究热点。WiFi信号常用的研究指标包括接收信号强度指示（Received Signal Strength Indication,RSSI）以及信道状态信息（Channel State Information,CSI）。基于此两种指标发展出了诸多定位算法,大致可分为指纹识别定位法以及测距定位法。其中指纹数据库定位法需要事先在环境中选取巨量参考点,采集其信号相关指标（RSSI/CSI）以及对应的平面坐标并存入数据库,其后续数据的维护与更新较为繁琐复杂。测距定位法中需要构建一系列数学模型,而室内环境错综复杂,所构建的模型很难能够对其准确表达。而神经网络理论上可以逼近任何形式的函数模型,故可用神经网络代替测距定位过程中需要构建的复杂模型。基于此,本文结合神经网络设计实现了一种基于WiFi信道状态信息的室内定位方法。首先对接收信号进行预处理。收发设备具有硬件误差,在信号的产生,传播与接收过程中,不可避免地会由此引起幅度或相位偏差,故本文先对其进行线性校准。接着利用校准后的数据构造神经网络的输入。具体构造方法如下:从接收天线处所得的CSI数据类型为复数矩阵,本文将原CSI复数矩阵及其共轭矩阵的实部和虚部分别提取出来进行重组,进而获得一个实数矩阵。在此实数阵的基础上,本文设计了一种移动窗口截取法来构建多通道输入矩阵。然后,根据接收信号的CSI与其到达角（AOA）和飞行时间（TOF）之间存在某种映射关系,本文提出用一种多尺度卷积核并行的神经网络MKCNN来模拟此映射关系,对各路到达信号的AOA和TOF进行联合估计,此网络以Inception结构为基础,不同尺度的卷积核可以从输入矩阵提取不同大小感受野下的AOA和TOF相关特征。接着利用联合估计结果生成目标的位置概率图来表征目标出现在各个位置的概率,取概率最大的位置为预估计位置。为了更好的利用过去时刻的位置信息,本文使用LSTM网络根据过去时刻的位置来对当前时刻的位置进行预测,预测结果与预估计结果进行加权平均来得到最终的位置估计,以此实现定位跟踪。为了验证本文方法的有效性,本文从多角度对本文方法进行了验证,结果表明,在具有4个AP的大小为16m×10m的信噪比10d B下的室内环境内,定位精度可达分米级,定位误差在0.8m之内的坐标数据占比90%。