随着人工智能以及安全监控的发展,室内定位技术越发受到重视,成为当前的一大研究热点。传统的室内定位方法存在测距以及定位精度较低,定位结果不稳定等问题。针对上述问题,本文结合机器学习算法完成了信号测距模型,室内定位模型以及室内定位信息融合的研究。针对测距精度较低的问题,本文提出了GBDT(Gradient Boosting Decision Tree)测距模型;对于定位精度较低的问题,本文提出了基于GBDT模型迭代的室内定位方法,以及给出基于信号强度值与阈值的赋权值比例方法;针对室内定位不稳定,定位结果存在奇异点的问题,结合其他传感器定位方法进行了定位信息融合。首先,本文提出了一种基于机器学习GBDT算法的测距模型。首次引入机器学习提升类算法GBDT建立测距模型。依据信号在环境中传播规律提取信号特征作为模型输入,信号的传播距离值为输出训练测距模型。引入体现信号波动性的方差与极差值作为测距模型的输入特征。实验结果表明,相比较近年提出的测距模型具有更好的测量精度。然后,在GBDT测距模型基础上,提出了基于模型迭代的方法实现室内定位。布置ZigBee信号发射端在室内的已知位置上,作为信标节点;以接收端为需要定位的未知节点。采用指纹定位思想,以GBDT测距模型计算得到的信号传播距离值为特征之一,作为定位模型的输入,未知节点的横纵坐标值分别为定位模型的输出值,构建GBDT模型迭代的室内定位模型。为了进一步提高定位精度,采用基于信号强度值与阈值的赋权值比例方法,以此提高信号强度值大的点对定位结果的影响。实验结果显示,基于模型迭代的室内定位方法具有较好的定位精度。最后,本文在基于模型迭代的室内定位方法基础上,与其他传感器进行融合定位。与识别距离较短,定位精度较高的传感器融合,实现定位精度的补偿。本文设计了一种结合ZigBee与RFID(Radio Frequency Identification Devices)传感器的定位方法。针对模型迭代的室内定位方法中存在的个别误差较大的定位奇异点,使用RFID定位技术辅助矫正,提高定位结果的稳定性,以及室内定位的整体精度。综上所述,由于室内环境复杂,不同位置的信息不能由同一个信号传播常量一概而论。因此,结合指纹定位与测距模型思想,提出基于模型迭代的室内定位方法,更精确地描述不同位置的环境信息,提高定位精度。除此之外,融合传感器定位信息,取长补短,提高定位结果的稳定性,进一步提升室内定位精度。