随着室内环境中基于位置的服务需求的快速增长,Wi-Fi信号指纹定位（以下简称指纹定位）作为一种主流的室内定位技术,凭借其简单的系统设备与较高的定位精度,正受到越来越多研究者的关注。构建指纹库的质量与数量对整个指纹定位系统有着至关重要的影响。目前,众多研究仍然使用接收信号强度（Received Signal Strength,RSS）构建指纹库,这种指纹库精度低,区域划分粒度大,无法满足高精度的定位需求。指纹定位的精度依赖于参考点的密度,密度越大定位效果也会有相应的提高,指纹库的构建过程需要耗费大量的时间和人力资源在众多参考点上采集信号信息,如何降低信息采集成本并设计高效率的室内定位算法是当前迫切需要解决的问题。本文使用了大规模MIMO（Ma MIMO）系统的信道状态信息（Channel State Information,CSI）作为构建Wi-Fi信号指纹库的原始信息,CSI相比RSS具有更丰富的信号特征表达能力,可在子载波级别提供详细的信道信息。本文使用傅里叶运算提取CSI中包含的时域和频域信息,并结合多信号分类算法（multiple signal classification algorithm,MUSIC）算法求得信号到达角度（Angle of Arrival,AOA）联合构建指纹库。该指纹库构建方法可以最大程度表达信号的特征,提高指纹库的表达能力。为了解决指纹采集耗时费力的问题,本文提出了一种新型的生成对抗网络模型（DSWGAN）,该模型为了适应信息量极大的CSI指纹库,在Wasserstein生成对抗网络（Wasserstein Generative Adversarial Nets,WGAN）的基础上借鉴了Dense Net的搭建方法,将生成模型和判别模型的网络替换为了Dense Net模块。实验表明,该模型可以在短时间内生成大量与初始指纹分布特征相似的数据,且数据间多样性高。此外,本文提出了一种基于深度学习的指纹定位算法MS-CNN,该网络以Inception网络为基础,使用多尺度卷积从不同感受野提取CSI信息的特征,同时使用一维卷积核分别提取CSI的天线与子载波特性,并使用跳跃连接降低网络训练过程中的误差传播。实验证明该方法相比于其他室内定位算法有明显提升,最高可达49mm的均方定位误差。