随着智能设备的兴起和无线网络等技术的不断发展,基于位置的服务（Location-based Services,LBS）和应用日益普及。长期以来,LBS一直都是利用全球卫星导航系统（Global Navigation Satellite System,GNSS）在室外环境中导航和确定智能设备的位置信息,但是GNSS在室外能提供精准位置信息却不能在室内环境中达到同样的效果,因为在室内环境中GNSS信号太弱,难以穿透建筑物墙壁等障碍物,不能提供可靠的室内基于位置的服务（Indoor Location-based Services,ILBS）,所以越来越多的研究者对室内定位技术展开了研究,其中基于WiFi的定位技术由于WiFi硬件的普及而受到重视。本文对基于指纹的WiFi室内定位技术进行了研究,首先利用距离和属性特征计算加权距离对传统的K近邻（K-nearest Neighbor,KNN）指纹定位算法进行了改进。然后基于这个距离和属性特征加权的改进算法FWKNN（Feature Weighted K-nearest Neighbors）,将极端梯度提升模型（e Xtreme Gradient Boosting,XGBoost）运用到室内定位的模型训练中,有效提高定位精度。主要工作如下:（1）为了提高基于接收信号强度（Received Signal Strength,RSS）的WiFi指纹定位方法的定位精度,本文改进了KNN算法。首先,对不同距离的特征RSS进行权重分配计算加权距离;然后,用加权距离与离线指纹库进行匹配确定未知位置;最后,利用卡尔曼滤波精确运动目标定位结果,进一步提升定位精度。该算法结合了距离加权和属性加权的优点,能够更准确的计算各点的距离并选择合适的最近邻点。（2）为了减少XGBoost模型在室内定位过程中的运算量,同时减小噪声与野点的影响,提升数据可靠性,本文在FWKNN中加权距离的基础上运用具有噪声的基于密度的聚类方法（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）去除干扰点的影响,有效减小参与运算的数据量,改善XGBoost的定位效果。首先,利用FWKNN方法中所提的加权距离筛选出一些最近邻指纹点;然后,对这些指纹点使用DBSCAN聚类方法进一步筛选出核心点;最后,对核心点使用机器学习方法中的XGBoost模型进行定位计算。实验结果表明,本文提出的基于FWKNN的改进XGBoost定位方法定位精度是有所提升的,有效减小了参与运算的数据量,提高定位精度同时降低智能设备的能耗。