随着Wi-Fi接入点的广泛覆盖,基于Wi-Fi的室内定位技术成为室内定位技术的热门研究方向之一。现有研究多是针对同一环境中的Wi-Fi定位问题,建立或优化基于Wi-Fi位置指纹库的多种复杂情形下的定位算法。由于Wi-Fi信号在室内传播受环境、时间等因素影响较大,因此,不同环境下的Wi-Fi位置指纹数据复用率较低。本文主要研究基于环境迁移的Wi-Fi定位问题,实现源域的Wi-Fi信号知识迁移至目标域环境下,生成目标域环境下的新Wi-Fi指纹地图数据,并联合目标域中的控制点样本数据,减少目标域数据采集工作量的同时,提高其定位精度。本文研究工作主要从以下两个部分展开:1、利用源域Wi-Fi位置指纹数据,迁移生成目标域的位置指纹地图。基于相似物理空间的Wi-Fi信号传播具有一定的共性,本文分析不同空间的Wi-Fi信号传播特征,以对抗迁移深度学习为技术背景,设计基于Wi-Fi位置指纹地图的对抗迁移网络框架,包括对抗网络、迁移网络、以及联合目标域和源域的监督信息(控制点样本数据)的半监督网络。以该网络框架生成的Wi-Fi位置指纹地图数据,不仅丰富了目标域的数据集,而且减少了目标域的位置指纹数据采集成本。2、利用目标域的控制点样本数据进行约束变换,实现基于决策树和斯皮尔曼距离度量的精确定位。为了进一步提高基于迁移生成的数据的定位精度,本文挖掘迁移生成的位置指纹地图的数据特征,以目标域的控制点为约束条件,将迁移生成的数据样本以控制点为中心进行局部拟合变换。其次,针对变换后的数据,本文提出以决策树结构进行格网划分粗定位,实现Wi-Fi信号向量的聚类,然后再计算基于斯皮尔曼距离的信号特征度量,将待定位点的信号向量与聚类集合中的信号向量进行精确匹配,从而确定待定位点的实际物理空间位置。相较于SVM、KNN、神经网络等定位算法,定位精度更高。