随着中国经济的高速发展,中国的汽车保有量稳步增长,露天停车位已经无法满足日益增加的停车需求,地下停车场数量逐渐增多。然而地下停车场有立柱、墙体等结构,空间狭窄、视线受限、结构复杂,造成寻车困难、车位浪费等问题。借助于定位技术,可以帮助人们进行路径规划,找到空闲车位。卫星定位系统是目前使用最为广泛的定位技术之一,而在室内环境中,卫星信号容易受到建筑物的阻碍,GPS定位误差较大,此时就需要借助其他技术来实现室内定位。由于大部分移动设备都具有接收WiFi信号的功能,而且WiFi接入点（Access Point,AP）在室内部署广泛,基于WiFi信号的室内定位技术成为了室内定位研究的热点。基于位置指纹的WiFi定位技术是目前应用最为广泛的WiFi室内定位技术。基于位置指纹的定位可以分为离线采集和在线定位两个阶段,离线采集阶段的目标是构建WiFi指纹数据库,针对WiFi指纹数据库的构建费时费力的问题,本文采用一种半监督学习模型降低所需数据的规模;在线定位阶段的主要任务是进行WiFi位置指纹的相似度匹配,目前大部分定位算法没有考虑2.4GHz和5GHz频段的WiFi信号物理特性差异,将双频段信号无差别混合,本文将双频段的WiFi信号区分开,提出了基于阈值选择的双频段WiFi定位算法。本文的主要工作如下:（1）在华北电力大学地下停车场构建时间跨度长达3个月、包含23800条WiFi指纹的数据库,它同时包含2.4GHz和5GHz双频段的WiFi信号,包含数据采集人员不同朝向的数据,包含不同时间段采集的数据。另外,还记录了 AP坐标信息和采集数据时的温度、湿度、地下停车场车辆数。（2）针对双频段WiFi的特性,提出基于阈值选择的双频段WiFi定位算法,在保留5GHz频段信号优势的同时,去除它对定位效果的负面影响。实验结果表明,阈值选择算法相比于无差别混合双频段信号,在KNN算法下定位精度和定位效果稳定性方面均有提升。（3）WiFi指纹数据库的构建费时费力,而获取不带位置坐标的WiFi指纹数据成本较低,半监督学习方法可以使用不带标记的样本提高训练效果。本文将人工智能顶级会议论文中的一种半监督学习模型应用到WiFi室内定位的在线定位阶段,实验结果表明,该模型与常用的室内定位方法在定位效果方面具有可比性,优势是可以显著地降低WiFi指纹数据库的构建成本。