随着物联网和人工智能等技术的不断发展,无线室内定位也逐渐成为了当前的研究热点。无线传感器网络具有成本低、易部署等优点,被广泛应用于室内定位。基于RSSI的无线定位方法不用增加额外硬件并且数据容易采集,也得到了人们的重点关注。然而,相对其他方法而言RSSI的测距误差较大。因此,如何做到准确的位置估计是目前室内定位面临的挑战之一。机器学习方法可以利用模型的学习能力对未知节点的坐标做出预测,能够较好地适应各种网络环境。同时,由于应用场景的不同,二维定位不能完全满足实际需求。因此,结合机器学习的三维定位方法具有极其重要的研究价值和现实意义。本文介绍了机器学习方法在室内定位应用中的基本思路和不足之处,同时研究了影响无线传感器网络的定位精度的几个关键因素,提出了一种基于Light GBM模型的RSSI三维协作定位算法。首先,针对由信标节点分布和传感器网络形态等因素引起的边缘区域定位误差较大的问题以及RSSI数据稀疏性导致的特征向量不完整降低了SVM等模型的预测准确率的问题,提出了基于Light GBM模型的三维粗定位算法。该方法能够较好地适应不同的网络形态,有效改善定位误差分布不均匀的问题。其次,针对协作节点自身误差影响校正精度问题,提出了一种基于精度策略的协作节点筛选方法。该方法包括了阈值筛选策略、子集判断策略和锚节点替换策略,它能够有效筛选出精度较好的节点,从而降低协作过程中的误差对校正精度的影响。最后,针对单一的机器学习定位方法精度不足,没有很好地利用未知节点间的信息进行协作的问题,提出了基于QSC和DVMFL的融合协作校正算法。该方法包括了改进的质心算法和DV-Hop算法,进一步地提高三维定位的精度。实验表明,本文方法面对各种影响无线传感器网络定位精度的因素具有高度适应性,并且有效地提高了三维定位的精度。