随着科学技术的发展,移动设备和无线通信网络被广泛使用,基于位置的服务的需求日益增加。室内和室外定位技术是基于位置的服务的基石。室外定位技术是通过全球卫星定位系统在室外环境中定位目标并且达到较高的定位精度,并广泛应用于车载导航、医疗服务和抢险救援等领域,有着巨大的经济效益和良好的市场前景。然而,对于室内环境而言,墙体、门窗和室内陈设等障碍物的阻挡会严重衰减卫星信号从而导致定位系统感测卫星信号困难,所以室外定位技术并不能应用于室内。现阶段,Wi-Fi(Wireless Fidelity)网络广泛部署于各种场所,手机、平板和笔记本电脑等移动设备大都内嵌Wi-Fi芯片,Wi-Fi定位技术成为室内定位领域最具发展前景的室内定位技术,引起学术界和工业界的广泛关注。但是,受同频干扰、复杂多变的室内环境和移动的人群等众多因素的影响,RSS(Received Signal Strength)信号具有严重的波动性,严重影响室内定位精度,给基于指纹定位算法的Wi-Fi室内定位技术带来诸多问题。本文对基于指纹定位算法的Wi-Fi室内定位技术进行深入的研究,指出影响定位性能的主要问题。针对指纹定位算法存在的不足,充分利用多任务学习、特征提取、特征融合等机器学习相关理论,提出基于多任务学习的特征提取算法和基于特征融合的精确定位算法,一定程度上改善基于指纹定位算法的定位技术。本文的主要研究工作总结如下:(1)针对Wi-Fi信号的波动性和指纹数据高维稀疏的问题,本文提出一种基于多任务学习的特征提取算法:JMT-SDAE(Joint Multi-Task Stacked Denoising Auto-Encoder),对指纹数据进行数据降维与特征提取。使用天池大数据竞赛平台提供的商场店铺定位数据集对算法进行验证,并与其他算法进行对比。实验结果表明,本文提出的JMT-SDAE算法有更好的提取特征能力,提升定位精度。(2)为了进一步提升Wi-Fi室内定位的精度,本文还提出一种混合模型,即将JMT-SDAE提取的深度特征与GBDT(Gradient Boosting Decision Tree)特征进行融合从而构建成混合模型,以实现室内精确定位。使用天池大数据竞赛平台提供的商场店铺定位数据集对算法进行验证,并与其他算法进行对比。实验结果表明,本文提出的混合模型明显提升定位精度。