随着人们对物质生活水平追求的不断提高,移动终端伴随着物联网的发展日趋更新,以及社会分工日益细化,人们有超过70%的时间在室内活动,基于位置感知的各种室内定位技术蓬勃发展起来。众多室内定位技术中,Wi-Fi室内定位技术的优点逐渐被人们认同——投资成本总体较低、操作较为方便,在众多写字楼、商场、图书馆等室内场所得到了广泛的应用。由于Wi-Fi的室内定位技术具有米级别误差级别和人们对基于Wi-Fi的室内定位精度与功能延伸不断提出更高的要求,不断改进定位算法成为了研究重点和难题。本文主要研究了基于位置指纹的Wi-Fi室内定位技术相关内容。本文主要从以下三个方面进行了研究,首先是对数据进行预处理,然后是指纹库的建立与在线定位算法的设计,最后是结合YOLOv3技术的运动目标检测结果实现人员计数功能。由于离线指纹库的有效性与否在于建立离线指纹库时,使用的数据是否更加接近真实值,因此本文首先在数据的预处理上做了相应的研究。离线收集的数据不是直接通过软件等获得,而是在服务器中直接获取原始数据再做进一步处理。在保留原始数据不被修改的前提下,按照一定的规则完成数据的预处理,最大限度的降低数据精度对定位精度的影响。本文提出了利用两种不同类型的指纹库结合的方式实现基于Wi-Fi的室内定位。利用卷积神经网络对图像化的接收信号强度值(Received Signal Strength Indication,RSSI)进行训练,达到能够准确实现以指纹点类别为判断分类依据的模型,以形成大范围指纹库。利用大范围指纹库判断类别的精准度高的优点,把Wi-Fi定位的最终位置高准确率的限定在一个指纹点的周围;利用“2δ准则+JNB分类+加权”三步数据处理方法有效去除噪声,以形成小范围指纹库。利用小范围指纹库确定若干备选指纹点,增加最终被测结果在真实位置处的可能性。二者通过“距离与权值成反比”的原则,最终确定Wi-Fi定位坐标结果。实验结果表明,大多数定位误差都在0.5-1.5m之间。本文还将基于Wi-Fi室内定位坐标结果应用于被测空间中人员数量的统计。因为在利用Wi-Fi信息统计MAC地址种类来统计人员数量的过程中存在一人携带多台移动终端等情况,本文将Wi-Fi定位结果与YOLOv3算法目标检测结果结合起来,实现MAC地址类别的区分,完成人员的统计计数。实验结果表明,在人员重叠较少的状态下,能够实现MAC地址类别的核检功能准确实现人员计数,防止由于一人携带多台移动终端影响基于MAC地址种类进行人员计数的错误。