随着科技的发展,位置感知服务在生活中扮演着十分重要的角色。目前人们的主要定位工具是GPS全球定位系统,但由于现实中各类制约因素,该系统无法保障各类场景中完整的定位服务。部分设备由于未搭载GPS模块而无法获得定位服务。此外,GPS全球定位系统在高楼林立的密集城区以及室内环境中无法保障定位精度。无线指纹定位技术作为一种补充措施,可以代替卫星定位系统在部分场景下提供定位服务。由于其定位精度相对较高,系统的部署简单且廉价,无线指纹定位技术获得了业内的广泛认可。该技术不依赖于信号发射端与接收端之间的位置关系,而是通过在数据库中寻找对应的匹配确定目标位置。目前,无线指纹定位技术中一个关键问题就是需要采集大量的无线指纹数据。群智感知框架的兴起为指纹数据采集过程提供了新的方法,但由于数据采集过程并非通过专业人员与设备完成,数据的可靠性无法得到保证。在此过程中,如何准确地评估上报指纹数据的质量成为迫切需要解决的问题。本文提出了一种基于在线学习框架的数据定价与预测机制。通过分析指纹定位方法中构建数据库产生误差的本质原因,借助误差函数准确地量化出上报指纹数据的质量。而基于在线学习的理论框架,我们将误差函数转化为对应的损失函数,设计了一种基于数据质量的在线定价与预测机制。此外,我们在实际场景中探讨了定价分布函数对于定价机制的影响。相关实验结果验证了所设计机制的有效性,确保在系统预算不足时该机制仍能提取出指纹序列中的有效信息,从而消除了指纹数据库构建过程中由于采集信号波动而导致的不确定因素。由于成本开销及地形因素的影响,即使借助于群智感知框架,数据采集过程依然无法覆盖目标区域内的所有位置。通常需要通过部分已知的指纹数据预测未知区域的指纹数据,从而重构出完整的指纹信号无线电地图。针对此挑战,本文提出了一种基于高斯过程回归模型的无线电地图重构方案。高斯过程是一种非参数化的模型,它利用核函数方法搜索大量的回归解空间。通过分析高斯过程中不同核函数的对于不同信号分布的适用性,我们设计了一种通过基础核函数动态筛选构造最优核函数的方法,使得到的高斯过程能够最大限度地表征目标区域内指纹信号的分布特征。通过比较基于不同核函数高斯过程的恢复误差,我们展现了最优核函数在高斯过程模型中的优越性。该方法的提出可以在确保数据库精准度的同时避免人工方式采集大量样本点,节约了人力物力,有效地保障了指纹定位系统的性能。