由于室内环境复杂及蓝牙信号传输模型的非线性,经典的蓝牙指纹定位存在精度低、稳健性差、环境适应能力不足等问题,难以满足高精度及高稳定的室内定位需求。为此,论文将径向基函数（Radial Basis Function,RBF）神经网络与指纹定位原理相结合进行蓝牙室内定位系统的构建,结合混合滤波算法和天牛须搜索算法（Beetle Antennae Search,BAS）优化系统性能,提高室内定位的精度、稳定性及环境适应性。主要工作有以下方面:1.在对蓝牙指纹室内定位原理及影响定位性能的因素进行分析的基础上,设计了基于RBF网络的室内定位整体方案。基于接收信号场强（Received Signal Strength,RSS）值进行指纹库建立,并采用混合滤波提高指纹数据准确性;利用RBF网络进行定位阶段位置坐标的确定,并通过聚类算法和BAS算法对RBF网络的优化提高准确性和稳定性。2.针对RSS数据波动问题,研究了以信号滤波方式提高指纹数据库建立的准确性。通过对采集的RSS数据进行中值、均值、高斯和卡尔曼滤波处理,并进行对比实验提出混合滤波算法,结合多种滤波算法优势提升信号强度的稳定性。在此基础上,采用信号强度差的方法削弱不同型号设备导致的RSS数据差异问题,保证定位精度和稳定性。3.对RBF神经网络的原理进行了研究,建立了基于RBF神经网络的定位模型,提高蓝牙室内定位的精度和环境适应性。同时,为进一步优化性能,采用聚类算法和BAS算法对RBF网络进行性能优化。利用改进的K-Means聚类算法确定样本中心,基于BAS进行RBF神经网络初始参数进行优化设置,以此获取定位精度和稳定性的进一步提升。4.基于iBeacon体系和论文所提算法设计实验系统,包括i Beacon锚节点、基于Android的客户端、服务端和定位数据库等部分。基于Android的客户端能够提供蓝牙信号检测、蓝牙信号扫描、RSS数据采集和定位结果显示等功能。基于定位系统,在空间小、环境因素变化大和空间大、环境因素变化小两种室内环境进行了定位实验和数据分析。理论研究和实验结果表明:RBF神经网络与指纹算法的有机结合提高了蓝牙室内定位的精度,在两种实验环境中平均定位误差为1.06m和0.98m,定位误差小于1m的置信概率均为62%,能够满足不同定位场景需求,具有良好环境适应性。同时结合混合滤波、聚类与BAS融合的优化算法,使平均定位误差进一步降低为0.75m和0.68m,定位误差小于1m的置信概率进一步提升为78%和79%,同时定位稳定性也得到有效提高。