随着无线网络的发展迅速,人们对于生活和工作的各方面需求也越来越高,室内定位服务以其广泛的实用性和功能性越来越被人们所需要。其中由于Wi-Fi设备在大型公共场所、办公室或者家庭中都很常见,所以基于Wi-Fi的室内定位是现今研究的重点。Wi-Fi环境下常见的研究都是基于信号接收强度(RSSI),但是定位效果不理想。可以从无线网卡中获得的信道状态信息(CSI)是更精细的特征,对环境的感知更加敏感,本文就采用信道状态信息的幅度为特征值,进行定位与跟踪算法的设计。已有的定位系统通常采用支持向量机、K近邻等分类方法完成定位,这些方法存在复杂度高、指纹库复杂等特点。也有些定位系统采用贝叶斯分类器,但是忽略了特征值之间的相关性导致精度不高。为了解决以上这些问题,本文提出将主成分分析法(PCA)与朴素贝叶斯分类器(NBC)相结合的室内定位方法,即属性独立的朴素贝叶斯定位算法,它具有指纹库简洁、定位精度高、速度较快等优点。本算法共分为两个阶段。离线训练阶段的主要目的是建立指纹库。首先采用PCA对原始CSI数据进行降维,随后将每个位置的特征值都建模为正态分布,提取新特征值的均值和方差存入指纹库中。在测试阶段,使用属性独立的加权朴素贝叶斯分类器,对于待分类数据同样采用PCA进行处理,并记录下各个主成分的方差贡献率作为权重,将其带入到分类器中,以实现定位。在跟踪方面,Kalman滤波是经常被使用的方法,然而它在目标运动状态不确定情况下的跟踪效果并不好,所以本文提出基于简化的Sage-Husa自适应滤波的追踪算法,并且结合定位阶段的定位结果完成目标轨迹追踪。本算法将定位阶段计算出的定位误差作为固定的观测噪声,并且使用时变噪声统计估值器不断矫正系统噪声的均值和方差,使得系统方程更加符合实际运动状态,最后通过实验分别验证了定位算法与跟踪算法的精度和性能。