在导航服务、移动社交、公共安全以及智慧城市建设等领域中，位置信息的确定成为人们获取泛在服务的重要元素。得益于北斗等卫星系统的全球化部署，室外目标定位已经成为应用范围较广且相对成熟的位置信息来源，然而，卫星信号的遮蔽敏感性导致其无法为室内目标定位提供有力的保障。为此，无线室内定位技术便成为当前网络通信领域的研究热点之一。基于Wi-Fi信号的方法已经在室内定位领域有了多年的研究积累，然而，在大型商超、医院、教学楼等现代多层建筑物中，单纯依赖Wi-Fi的定位方法难以满足精度的要求，特别是在采用了中空筒体结构体系设计的多层建筑物中，以Wi-Fi为代表的无线电磁信号在层间建立了更多传输路径通路，从而导致定位失败。尽管气压计的引入可以在一定程度上解决多层建筑层间位置的确定问题，然而在中空筒体结构中却效果不佳。在建筑楼宇的层内定位中，由于区域较大，目前普遍采用的基于接收信号强度(Received Signal Strength，RSS)指纹数据库方法，在样本库构建时存在极大开销，在应用中也受到人流密集程度的影响，从而难以在实际应用中部署。为此，本课题立足于现代中空简体结构多楼层室内定位的实际应用需求，针对现有基于指纹数据库在中空简体结构多层建筑物中因受层间信号通路的影响而引起较大定位误差以及部署中成本过高适应性受限的问题，提出了基于机器学习的多楼层室内定位技术(Multi-floor Indoor Localization based on Machine Learning，MIL-ML)。在层间定位阶段，构建了基于支持向量机(Support Vector Machine，SVM)的磁指纹数据库，并提出了层间活动模式识别方法，实现了建筑物层间定位;在层内定位阶段，提出了基于随机森林(Cooperative random forest，Co-Forest)的定位方法，利用大量无位置标记的样本与少量有位置标记的样本，建立并反复地优化随机森林集成分类器，实现了低成本的层内定位。研究结果表明，所提出的MIL-ML多楼层定位方法可以兼顾低采集成本、低维护成本、高鲁棒性和高定位精度。