随着物联网及互联网的发展,位置信息与人们的生活息息相关。在室外,如商铺导航、路线规划、共享单车、滴滴打车等位置信息的相关应用及服务,已成为生活出行的必备部分。但根据相关研究,人类超过一半的时间是在室内活动,因室外卫星导航系统在室内因墙壁的阻隔致使信号衰弱很严重,达不到室内精准定位的要求。因此,近些年来,室内定位技术在各国家和地区的科研工作者日复一日的研究下。广泛部署的无线网络和便携式智能设备的大规模应用,使得基于WLAN的智能手机设备定位成为主流。但基于WLAN室内定位系统中多数不具普适性,唯有基于WiFi指纹定位法因其独特优势备受瞩目,但其在实际应用中也存在挑战:离线采集阶段需人工勘测且代价高昂,因此如何保证采集的准确性成为难点。同时针对室内定位实际应用中会出现大量用户持不同型号的智能手机设备,因设备间WiFi软硬件异构将导致对同一AP信号源的信号强度存在偏差。因此本文主要围绕降低设备间WiFi软硬件异构与构建高质量指纹库进行研究。本文先提出使用BP神经网络对WiFi进行标定的方法。首先,对采集的信号强度数据对进行预处理,即使用离群点检测算法对离群点进行去噪处理,其次,把去噪后的数据对传输到BP神经网络中进行误差反传训练,在整个过程中对网络各个节点的权重与偏移项进行屡次的更新,为达到实际输出值趋近真实值。训练结束的条件为实际输出值与真实值的误差平方和小于阈值,这时确定各节点相对应的权重和偏移项,最后获得理想的网络标定模型,使用已确定的网络标定模型能对不同型号智能手机设备的信号强度进行校正。实验分析得出,本文提出的网络标定方法比未标定的定位精度提高了39.72%,表明该网络模型标定方法能大幅度降低不同型号设备间的差异性对定位精度的影响。本文还提出一种融合置信度的WiFi指纹室内定位算法,旨在降低实时采集误差,构建高质量指纹库。在离线采集阶段研究员在各个参考点采集用于定位的多个AP信号强度特征值,并对信号强度特征值进行处理,即计算特征均值及均方差。获取均方差后使用本文的均方差范围与置信度构建的虚拟映射表来确定置信度,最终与该参考点的序号、信号强度特征均值、物理坐标一起上传到服务器位置指纹数据库中。在线服务阶段,实时获取的待定位点信号强度特征值向量与数据库中特征向量进行欧式距离匹配时加入置信度,可达到优化其距离的效果。