近年来,信息科技与工业制造能力不断创新进步,室内定位技术在生产生活中的应用范围日益增大,人们的位置服务需求逐步提升,因而,使得室内定位技术愈加受到关注和重视。由于受室内环境中的墙壁阻隔等因素影响,成熟的室外定位方法难以应用于室内定位情景。基于场景视觉室内定位方法以其设备部署简洁,应用场景广泛,可提供图像语义信息且定位速度高等优势,逐渐成为视觉室内定位技术中的主要研究方向。本文首先阐述视觉室内定位技术研究的背景和意义以及相关研究的国内外研究现状,阐述了视觉室内定位方法原理及核心技术,说明场景室内定位方法原理及实现方法。本文的研究改进主要在以下几个方面:比较几种经典的角点检测算法,提出一种基于特征检测改进的图像处理方法,消除随机性误差;结合具体定位环境,改进所使用网络模型的结构及参数,提升定位准确率与效率;考虑实际任务中复杂的定位环境,提出改进模型的数据增强方法,提高模型抗干扰性能。在构建的校园室内定位场景数据集上实验测试改进方法,验证方法的有效性。本文研究的场景视觉室内定位中采用AlexNet卷积神经网络模型,实验场景选取校园室内场景,并手动构建包含五类常见的校园室内场景的School数据集进行实验验证。使用基于Harris特征检测的图像处理方法代替原始的随机裁剪方式,以提取到的Harris角点特征数量为依据选择保留区域;针对小分辨率的School数据集定位准确率低的问题,调整卷积核大小,提升提取特征的有效性,增加池化层和Dropout层,改善过拟合现象;由于视觉定位易受到光照变换、人员流动及传感器旋转等因素干扰,研究通过调整亮度、填充模糊、旋转等方式模拟可变因素,改进原始模型的数据增强方式,使模型得以应用在复杂定位环境。实验结果表明本文提出的改进方案,有效去除相对无关区域,明显提升模型的定位识别准确率,保证良好的实时性同时具备提供语义信息的能力,合理拟合视觉室内定位中的误差变化,提高定位系统的应变能力,同时提升稳定性和效率。