近年来,随着物联网技术的发展,获取目标尤其是室内目标位置信息的需求更加迫切,室内定位技术具有日趋重要的研究意义和价值。其中被动式定位(Device-Free Localization)不需要目标携带任何电子设备,因而消除了应用局限性,在很多实际场景中有着广泛的需求,成为了室内定位研究领域的热点。RFID定位一直是室内定位的重要研究领域,无源超高频(UHF)RFID标签因其体积小、成本低、无需供电等优点,已经被广泛应用于室内定位场景中。RFID场景下的被动式定位研究还处于探索阶段,因而具有广阔的研究空间和丰富的研究内容。目前,受到信道环境复杂,多径效应、非视距传播干扰较大等因素的影响,如何实现精度高、抗干扰能力强的被动式定位仍然是一个富有挑战性的课题。另外,当多个待定位目标同时存在于定位场景中时,还需克服区分和定位多目标的困难。本文选择被动式RFID定位为研究内容,首先将定位场景划分为均匀网格,将待定位目标位置与网格关联并对其编号,由此将定位问题转化为了分类问题。针对室内复杂信道难以建立数学模型的困难,采用指纹法消除多径和非视距影响。为了解决多目标定位问题,建立了单一目标指纹数据库,提出利用单目标指纹库对多个目标进行识别和定位的方法。在此基础上设计了一种深度神经网络(DNN)架构,最后使用Softmax分类器实现了对目标的最终定位。为了减少分类数目、提高预测精度和计算效率,论文采用二维分类方法对定位算法进行了改进。经仿真和实际实验结果表明,改进算法与K近邻算法、决策树算法和随机森林算法等传统分类算法比较,性能有较大改进,单目标定位误差可以99.75%的概率小于0.8m,多目标(目标数为3)定位误差可以82.1%的概率小于1.5m。针对二维分类算法定位精度受限于网格尺寸的局限性,论文采用广义回归神经网络(GRNN)优化定位算法,解除网格大小对定位精度的限制,并对算法进行仿真和实验,结果表明,多目标(目标数为3)定位误差可以84%的概率小于1.5m,进一步提升了算法性能。