随着无线通信技术和普适计算的发展,基于位置的服务(Location Based Services,LBS)得到广泛应用,而定位技术是实现LBS的关键技术之一。在室外环境中,通过全球定位系统(Global Positioning System,GPS)可以获得较高精度的定位,满足室外LBS的需求;在室内环境中,WLAN(Wireless Local Area Network)定位技术凭借其分布广泛、成本低、易于测量、无需额外硬件等优点,成为室内定位领域的研究热点。但是,室内环境的复杂性、指纹采集工作量大、定位计算复杂度高等因素,限制了 WLAN定位技术在LBS中的应用。本文针对上述问题展开研究,提出了一个基于区域划分的WLAN位置指纹定位模型,并重点研究了位置指纹库的构建和聚类划分方法。论文主要内容包括:(1)通过分析WLAN指纹定位面临的指纹采集工作量和指纹定位匹配效率问题,并结合现有方法,主要对指纹库构建、指纹库聚类划分和AP(Access Points)优选环节进行了改进,提出了一个改进的WLAN指纹定位模型。(2)针对离线指纹采集工作量大的问题,提出了基于粒子群一拟牛顿(Particle Swarm Optimization-Quasi Newton,PSO-QN)算法的指纹库构建方法。离线阶段引入虚拟参考点,只需在定位区域均匀布置并采集少量参考点的接收信号强度值(Received Signal Strength Indicator,RSSI),而虚拟参考点的RSSI通过信号传播模型计算,以减少人工采集工作量。考虑到室内环境的复杂性,将初始参考点按照室内结构(如楼道、房间等)进行区域划分,针对不同区域分别构建对数距离路径损耗模型(Log-distance Path Loss Model),采用PSO-QN算法进行参数估计。(3)针对定位计算复杂度高的问题,提出了基于改进的模糊C均值(ImprovedFuzzy C-Means,IFCM)算法的区域划分方法和基于层次聚类算法的AP优选方法。利用区域划分的思想,根据类内类间划分(Between-Within Proportion,BWP)指标选择最佳聚类数目,基于IFCM算法对指纹库进行层层聚类划分,直至各个子区域的参考点数量小于设定的阈值。然后进一步对每个子区域进行AP优选,选择出判别能力较强的AP,以降低指纹维度。在线定位阶段,首先利用NN(Nearest Neighbor)算法选择距离待定位点最近的子区域,然后根据皮尔逊相关系数(Pearson Correlation Coefficient,PCC)计算离线与在线指纹之间的相似度,利用加权K近邻(Weighted K-Nearest Neighbor,WKNN)算法估计待定位点位置。最后,基于上述研究设计并实现了一个基于WLAN的室内定位系统,采用Web和App两种方式进行了定位效果的展示,使得LBS应用范围更广、位置信息更加准确。