无线通信行业的技术发展日新月异,室内定位服务的相关研究也在不断更新换代。与室外不同,室内环境更为复杂,空间较小,已有的室外定位算法无法满足室内定位的需求。目前,基于Wi-Fi的室内指纹定位技术以其部署成本低、组网灵活以及易于实现等特点逐渐成为研究热点,结合数据挖掘技术进行定位匹配有较好的发展前景。本文主要工作和创新点如下:第一,提出了基于数据挖掘技术的KNNDB算法。首先对现有的室内定位技术以及数据挖掘技术进行了分析比较,K最近邻算法是定位阶段最常用的匹配算法之一,但由于K最近邻算法无法剔除干扰指纹,导致得到的定位结果不够理想,本文提出的KNNDB算法,将K最近邻算法与基于密度空间的聚类算法结合,在进行定位匹配之前,剔除干扰指纹。仿真结果表明,优化的KNNDB算法可以得到精度更高的定位结果。第二,提出了基于K均值聚类算法的CSI与RSSI的融合定位方法。基于单一的接收信号强度受外界环境和多径效应影响会产生一定的波动,而信道状态信息CSI受外界环境干扰较少。本文提出的基于K均值聚类算法的CSI与RSSI的融合定位方法,结合RSS与CSI数据,并使用K均值算法进行定位匹配,该方法与传统算法相比定位误差较小。第三,提出了O-SVM算法进行室内定位。由于在复杂的室内环境中,RSS之间的相等差距并不意味着物理空间的差距。本文提出的O-SVM算法,使用OPTICS聚类算法对原始的数据进行聚类划分,并为不同区域的RSS指纹分配不同的权重,得到了有效指纹库,接着使用支持向量机算法结合之前的权重值对未知点进行定位匹配,得到定位结果。结果表明优化的定位算法能提高定位精度,比传统的算法更适用于位置估计。