可扩展、稳定和准确的室内定位技术是未来大型位置感知服务的主要目标。随着无线热点(Access Point,AP)的广泛部署,基于位置服务的需求也日趋增加。在多种室内定位技术中,位置指纹定位技术因其无需昂贵的硬件设施,通过现有资源以纯软件的方式即可实现定位系统的建立,是该领域众多研究人员主要研究的定位算法之一。然而,由于无线信号固有的噪声和严重的时变性,同时大型建筑体内部署AP数量较多易导致收集的位置指纹数据库具有维度高,稀疏值多的特性,使得定位算法在实际应用中定位精度不高,对环境的动态变化不具有鲁棒性。本文针对位置指纹算法定位时面临的RSS变化的不确定性即波动性导致定位准确率不高,以及跨楼、跨楼层的室内环境部署大量无线热点可能造成的“维数灾难”对室内定位精度和效率的影响,提出了基于收缩自编码器(Contractive Autoencoders,CAE)的神经网络结构进行AP特征约简,以达到压缩数据、减少数据存储空间、降低噪声影响和提高算法运行效率的目的。针对跨楼、跨楼层和多区域的定位估计的层次性,引入集成学习技术,提出了基于CAE-XGBoost的定位算法。在实际应用中,通过预测符号位置而不是物理坐标将定位问题转化为分类问题,建立位置指纹与目标建筑物、目标楼层、目标区域的映射关系。本文所提出的CAE-XGBoost模型通过将CAE集成为可训练的特征提取器,从输入端自动获取高维特征中最具表征能力的指纹特征,将XGBoost作为网络顶层的识别器,从而提供更精确的输出,这种独特的两阶段模型保证了特征提取和定位结果的高可靠性,定位系统的鲁棒性以及对大规模定位场景的可扩展性。实验是在UCI的公开数据集UJIIndoorLoc数据集上测试的,结果显示,该方法与同类数据库中的其他方法相比,具有较高的定位准确度,验证了该方法在室内定位问题中的有效性。