射频指纹定位是目前应用前景十分广阔的室内定位技术之一,其主要优点是避免以人工建模方式分析复杂电磁传播环境。对定位任务而言,如何分析和处理形式复杂而又丰富的空间射频指纹中蕴含的信息,既是机遇也是挑战。当前射频指纹定位在实际应用中面临的主要问题包括:指纹高维且非线性、分布复杂、采集和维护成本高、方差大等。针对这些问题,本文主要从射频指纹的度量学习和迁移学习的角度对射频指纹定位中的关键问题进行了研究。本文的主要贡献和创新点如下:1.分析了射频指纹定位问题的理论性能限。总结了现有射频指纹信道模型和经典射频指纹定位算法。设计了基于多墙模型和射线跟踪模型的指纹定位仿真环境实验,在四个大型公开数据集上对经典指纹定位算法进行了性能比较并分析了经典算法的优劣和存在的局限性。2.针对求解经典射频指纹定位算法中的最优度量问题,研究了射频指纹的度量学习方法,基于经典的度量学习方法,提出两种由KNN指纹定位驱动的马氏距离度量学习方法,分别称为LMNN-RF方法和NCA-RF方法。LMNN-RF利用hinge损失优化指纹的近邻关系,使指纹点的近邻为其真实物理空间近邻。NCA-RF通过最小化KNN指纹定位的期望回归误差来学习度量。为增强模型中指纹相邻关系约束和模型的学习能力,在方法的损失函数中引入二阶近邻损失项和核技巧等。所提方法可用作有监督指纹特征提取器或降维器。对所提度量学习方法做了仿真分析并在公开数据集上进行了性能测试,结果表明它们在指纹定位、特征提取和降维等方面的性能表现均优于欧几里得度量、S?rensen度量及PCA方法。3.针对射频指纹定位中因分布改变导致的指纹失效问题,研究了射频指纹定位中的迁移学习方法。提出了基于最优运输（Optimal Transport,OT）理论的射频指纹迁移学习方法,该方法通过最小化源域和目标域间分布的地动距离（Earth Mover’s Distance,EMD）,将源域指纹映射到目标域实现指纹分布的迁移。此外,在损失函数中引入Laplace正则化和指纹特征变换的同时估计,得到更平滑的指纹映射。通过对数衰减模型和多墙模型仿真发现,TCA方法出现了负迁移,而基于OT的迁移学习方法实现了正迁移。数值仿真和公开数据集实验均表明所提方法的迁移性能优于TCA方法及其扩展方法。4.针对动态射频指纹定位问题,进一步研究了利用序列模型学习射频指纹空时模式的方法。提出两种基于循环神经网络（Recurrent Neural Network,RNN）的模型架构用于序列指纹定位,分别称为RFed RNN和RFmp RNN。在序列模型指纹定位架构中引入编码解码、注意力及路径预测等机制,实现了从指纹到路径的端到端滤波与预测。在数值实验设计的射线跟踪仿真环境中使用改进的势场模型生成路径对所提方法进行了仿真,结果表明,所提方法在性能上优于KNN方法、卡尔曼滤波、粒子滤波及LSTM方法。在公开数据集上的测试结果也得出相同结论。