针对室内可见光定位接收信号强度易出现波动从而产生较大定位误差，以及从一个定位单元迁移到其他定位单元可能会降低定位精度的问题，笔者提出了一种基于注意力机制的卷积神经网络的室内三维定位方法，以减小接收信号波动产生的影响，并采用迁移学习将在第一个定位单元中训练的网络迁移到其他定位单元中，在保证定位精度不变的前提下减少了训练网络的成本。仿真结果表明：所提算法在5 m×5 m×3 m的定位单元内可以实现平均误差为3.54 cm的三维定位；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.67 cm的定位。实验结果表明：在1.2 m×0.75 m×1.2 m的定位单元实验中，所提算法可以实现平均误差为3.32 cm的三维定位，90%的误差分布在4.12 cm内；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.35 cm的定位。与现有算法相比，所提算法迁移前后的定位精度均有所改善。

针对室内可见光定位(VLP)实际应用的大面积面板灯排列场景中存在的定位精确度低、信号干扰严重等问题，提出了一种基于接收信号强度(RSS)算法的码分多址(CDMA)调制解调VLP系统，介绍了RSS算法和CDMA调制解调VLP系统原理，通过实验验证了系统定位精度。实验结果表明：在未考虑实时移动和延迟刷新等因素的情况下，固定点位的定位最大误差为0.3 m，算法解决了传统定位算法中边缘角落区域定位精度低的问题，提高了VLP系统的鲁棒性。

为了对复杂矿井环境下的可见光通信进行研究，提出一种基于点云数据的矿井可见光信道模型构建方法。在传统信道模型的基础上，将不规则石壁和接收端随机倾斜两大因素添加进信道模型中，并基于墙面点云数据，利用逐点插入法对反射面元进行划分，弥补理论信道模型缺乏与真实数据结合的缺陷。在应用阶段，采用遗传算法优化反向传播（BP）神经网络的定位算法，将信道模型应用于可见光定位，在可见光定位中考虑一次反射和接收端倾斜的影响。仿真结果表明：在5.0 m×4.0 m×3.5 m的矿井巷道环境下，与传统信道模型相比，使用基于点云数据的矿井信道模型时，一次反射平均贡献比增大了1倍，约为29.48%，均方根定位误差为13.4 cm。一次反射和接收端倾斜会对定位精度造成显著影响。基于点云数据的矿井信道模型为井下可见光通信和定位的研究提供了一种有效途径。

最小频率分辨率对可见光定位系统的容量起到重要作用，更小的分辨率能够支持更多的可用地址。为拓展系统容量，本文首先对物距、图像传感器的曝光时间等可见光成像的主要影响因素进行研究，并围绕上述因素对最小频率分辨率进行定量分析，最后通过搭建的可见光定位系统，以成像区域大小和明条纹数为特征，采用主流的发光二极管身份（LED-ID）识别算法，测试了不同物距下准确识别LED-ID所需的最小频率分辨率。实验结果表明：在物距分别为50、100、200 cm时，对应的最小频率分辨率为60、100、200 Hz，随着物距增加，图像检测能力下降，最小频率分辨率随之增加。在LED-ID识别率至少满足95%时，可选择适当的频率间隔以高效分配可用地址，在物距为250 cm时，系统容量提升了120%，为实际应用场景中频率间隔的选择提供了有效参考。

针对单个光电二极管接收器的倾斜问题和几何算法的不足，搭建了多光电二极管接收器的真实可见光定位场景，并采用基于接收信号强度的指纹定位技术及其常用的机器学习算法，实验研究了4种典型的机器学习算法的定位性能。结果发现：在二维定位时，K最近邻、极限学习机、随机森林和自适应增强的定位误差小于2 cm的概率分别为96.67%、48.57%、67.14%和15.24%；在三维定位时，K最近邻、极限学习机、随机森林和自适应增强的定位误差小于2 cm的概率分别为74.52%、38.81%、59.76%和6.43%。结果均表明，K最近邻的定位性能较佳。在此基础上，比较了发光二极管个数、光电二极管个数和发光二极管发射功率等因素对定位精度的影响。结果表明：发光二极管个数和光电二极管个数的增加均有效地降低了定位误差，发光二极管的发射功率为5 W时，已经实现了定位误差的收敛。该结果为发光二极管分布密度较低时可见光定位系统的设计提供新的理论支持与实际应用参考价值。

为进一步提高动态目标室内可见光定位追踪系统性能, 提出了一种基于随机森林(RF)算法的室内可见光指纹定位方法。利用发光二极管(LED)的光强信号作为特征构建指纹数据库, 应用指纹库中的数据训练决策树, 引入RF算法进行初始定位, 再通过卡尔曼滤波对初始位置估计进行优化, 从而获得更准确的定位轨迹。仿真结果表明: 在5 m×5 m×3 m的室内场景下, 通过所提定位方法能获得大部分采样点误差分布在4 cm之内的定位效果; 此外, 通过与不同室内可见光定位算法的性能进行对比, 验证了所提算法的技术优势。

理想室内的可见光通信（VLC）信道传输模型并不适用于实际的不规则室内环境，针对这一问题，本文研究了可见光在不规则场景中无规律反射的情况，建立了更符合实际情况的VLC信道模型，并在此信道模型基础上提出了遗传算法优化反向传播（BP）神经网络（GA-BP）的定位算法，克服了BP神经网络存在处理非线性系统能力差的问题。通过仿真不规则场景下信道模型的反射元法向量信息，确定光线反射方向，使接收器可以接收到更加准确的光功率值。仿真结果表明，在5 m × 5 m × 5 m的不规则室内环境中，系统总接收光功率在0.0141~0.0639 W范围内波动，GA-BP算法较BP神经网络定位误差大幅减小，达到2.32 cm，平均定位时间为0.0625 s。

为了解决采用极限学习机(ELM)神经网络室内可见光定位方法存在误差较大、网络模型训练时间较长、结果稳定性较差等缺点, 采用稀疏训练指纹库, 融合多目标动量粒子群算法(MMPSO), 结合ELM室内可见光定位方法, 形成MMPSO-ELM方案, 引入动量因子, 避免迭代过程中过度振荡, 加快系统收敛速度。在不同的定位空间内随机选取训练数据集方式, 在测试点数量不同的情况下, 将本方案与后向传播(BP)、ELM以及PSO-ELM 3种定位算法进行了比较。结果表明,MMPSO-ELM方案在20组训练数据条件下, 对80组待定位点进行预测定位, 定位误差最大为0.0225m, 最小误差为0.00093m, 平均定位误差低至0.00143m, 且定位性能受定位空间大小影响较小; MMPSO-ELM可见光定位方案具有定位精度高、速度快、泛化性强等优点。该研究为在室内场所实现快速准确定位提供了理论支撑。

为了提升可见光通信(VLC)室内环境下的定位精度, 提出一种基于双线性插值与K-means聚类算法结合的位置指纹定位改进算法。该算法首先建立初始指纹, 然后对待定位点所在聚类域中的指纹进行插值计算, 最后将插值后的部分区域指纹作为参考指纹库存, 选择一种匹配算法实现最终定位。在5 m×5 m×3 m的室内房间建立VLC系统模型, 仿真分析了指纹密集度对定位精度的影响以及改进算法的定位精度对比情况。仿真结果表明: 随着指纹库密集度的降低, 定位精度随之提高；改进算法使用插值指纹库与比使用初始指纹库的定位精度提高了21.5%, 同时大大降低了计算复杂度。