针对Wi-Fi指纹定位精度低、维护繁琐、训练成本大的问题，提出一种基于信道状态信息（CSI）和改进多元核函数极限学习机（FO-MKELM）的室内定位方法。首先在预处理阶段对CSI幅值差和重构相位信息进行融合，以减少环境噪声的影响；其次，在离线训练阶段，采用分段式量子粒子群算法（QPSO）为模型寻找最优参数,以提高定位精度和泛化性能；然后，为抑制环境改变对定位性能的影响，引入在线增量学习和遗忘机制，添加部分新增数据进行增量学习持续更新定位模型，并设置数据有效期遗忘过旧数据减少不良影响；最终，在在线预测阶段，将模型输出与标签库进行匹配获得更为准确的坐标。在空旷楼道和复杂实验室两种不同的环境下进行实验验证，该算法相比其他定位方法在定位精度和长期稳定性上都有所提升。