基于位置的服务LBS（Location Based Services）随着信息技术的发展,在人们的生活中起到越来越重要的作用,同时智能移动终端产品的普及对基于位置的服务提出了更高的要求。LBS应用的基础是精准位置信息技术,而精准的位置信息技术的重要组成部分是实时的移动定位,目前应用最广泛的是GPS（Global Positioning System）全球定位技术。由于城市复杂的环境,建筑物的遮挡会使得GPS在城市道路中失效。为弥补GPS在城市道路中的失效问题,本文采用基于指纹信息的移动定位算法,利用传播信号中的接收信号强度指示RSSI（Received Signal Strength Indication）的定位技术以及基站台WIFI-AP的指纹信息弥补传统定位方法的不足。为了更好的提高定位的成功率以及定位的精度,本文使用深度学习的方法深度分析指纹信息以及待测点之间的关联性。由于杂乱数据对定位精度有很大影响,本文提出一种数据过滤的方法,来消除杂乱数据对定位结果的影响。使用数据过滤算法与深度神经网络、卷积神经网络结合来预测定位结果,有效提升定位精度并弥补GPS在城市道路中失效的问题。（1）本文以福建工程学院北校区为实验环境,通过移动终端设备收集实验环境内的基站台以及WIFI-AP的RSSI数据,在指纹定位算法离线阶段建立相应的指纹数据库。同时为解决杂乱数据的影响,提出一种数据过滤算法滤除漂移的位置点以及无效的WIFI-AP数据。（2）深度学习的崛起为各个领域的问题增加了更加可行的解决方案,神经网络可以深度分析数据之间的关联性,从中得到一些细微的特性。借助这个特质,本文使用深度神经网络算法分析RSSI数据与位置点之间的关联,并与传统的指纹定位匹配算法进行比较,可以得到更加精准的定位结果。（3）深度神经网络在分析数据的关联性上有不错的表现。但是,由于网络的层数不断加深,网络前端的输入数据无法对多层之后的网络权重产生影响,并且导致精定位度直线下降。网络产生梯度消失问题。本文提出一种跨层连接的方法加深输入层对后项数据的关联性来解决梯度消失问题,进一步提高定位精度。相比于深度神经网络,卷积神经网络计算复杂度较低,并且可以将指纹数据以二维的形式提取出更多特征,以便提高定位的精度,所以本文提出一种基于卷积神经网络的指纹定位模型,并通过时间序列的方法解决数据的时变性。