随着移动互联网时代的发展,易于获取的Wi-Fi信号常被用于提供室内定位服务。基于信道状态信息（Channel State Information,CSI）的室内Wi-Fi定位因其部署成本低、定位精度高、环境适应性强等特点而备受关注。然而,CSI的不稳定性会导致对其处理的复杂性显著增加,且无线信号的时变性也将影响定位精度。对此,本文提出了一种基于CSI张量分解的室内Wi-Fi指纹定位方法,其主要内容如下:首先,为了去除CSI中的噪声,本文采用平行因子分解模型来实现CSI的降噪处理。具体地,首先按照平行因子分解的基本思路构造张量分解模型,然后采用赤池信息准则（Akaike Information Criterion,AIC）来完成对各维度张量秩的估计,进而实现模型对数据集描述能力与模型自身复杂度之间的平衡。鉴于秩一张量包含于因子矩阵中这一特性,可利用交替最小二乘（Alternate Least Squares,ALS）迭代算法对分解模型进行最优化求解,得到理想无噪张量。其次,为了提取降噪后CSI中隐含的特征,本文采用张量小波分解来进行CSI的特征提取。先在CSI张量的三个维度上进行小波分解,得到各维度的高低频信号变化信息,再基于角二阶矩（Angular Second Moment,ASM）公式求解各小波子成分的小波系数。利用小波子成分能够提供类别判定信息的特性,本文将各个子成分的小波系数用于位置特征的构造。最后,本文引入偏最小二乘回归分析方法来实现位置估计,并探究位置坐标与位置特征中各小波系数之间的关系。具体而言,离线阶段,将参考点（Reference Point,RP）的位置特征和位置坐标分别用于构造自变量矩阵和因变量矩阵,并基于主成分回归思想进行线性回归建模;在线阶段,将测试点（Test Point,TP）的位置特征代入定位模型,即可实现位置估计。实验结果表明,四个实验区域中,基于本文方法的定位误差在4m范围内的置信概率分别为93.9%、92.0%、92.6%及91.4%,均明显优于其余方法,进而验证了本文方法具有更稳定和更优越的定位性能。