基于位置的服务为我们的生活提供了极大的便利,相关研究引起国内外研究者的关注。近年来,由于信道状态信息(Channel State Information,CSI)包含丰富的多径信息并且高度稳定,基于CSI的定位方案相继提出。如何更充分地利用CSI中包含的信息,建立更高定位精度、更低计算成本、更强环境适应力的室内定位系统,具有极高的研究价值。在现有的基于CSI的定位系统中,结合深度学习技术已经成为一种趋势。将CSI数据构建为图像,利用卷积神经网络(Convolutional Neural Network,CNN)建立定位系统是一种非常具有创新性的方式,但其中挑战与机遇并存,主要体现在:(1)能否从CSI中挖掘出更多的信息特征,并保证信息稳定可靠。(2)如何保证网络能够适应复杂环境,确保较高的识别能力。(3)定位系统在位置估计阶段能否根据不同场景动态选择合适的候选点。基于以上背景,为了提高定位精度并降低计算复杂度,本文提出了一种基于卷积网络的新型CSI室内定位方法。本文的主要研究内容总结如下:1.利用CIR振幅分布的第一至第四中心矩来增加数据维度,提升指纹在复杂环境下的区分度。此外,通过校准相位信息来提升数据稳定性,确保后续定位的精度。2.提出新型多维图像构造方式,将多维CSI特征转换为图像,利用CNN完成位置与图像间的映射。新型构造方式尺寸较小,但包含更丰富的数据特征,减少了计算耗时并提高了卷积网络的分类能力。3.分析新型CSI室内定位系统的设计需求,确定系统结构和流程设计。为解决在固定点采集数据导致的网络欠拟合问题,本文通过由Arduino控制的i Robot机器人搭载路由器在一定区域内低速移动,采集丰富多样的CSI数据来构建卷积网络的训练集,提升网络的分类正确率。4.提出一种基于谱聚类的多图像定位算法。将图论中的谱聚类引入到室内定位系统之中,建立动态选取k值的方式,提高定位精度和效率。本文搭建定位系统,并通过采集实测数据,验证所提方法的可行性。