针对可见光通信的3D定位与定向问题，提出了一种自适应参数与自适应变异粒子群优化的3D定位与定向方法。首先，分析了一种在复杂环境下的基于测距模型的混合3D可见光定位模型，并将定位问题转化为联合概率密度函数的优化问题。其次，通过计算粒子解与种群最优解之间的模糊贴近度，设计了一种自适应参数与自适应变异粒子群优化方法。最后，通过数学方法精确解析了所提3D可见光定位模型的定位与定向误差的理论下边界，即克拉-美罗（Cramer-Rao）下界。结果表明，所提算法的时间复杂度较低，且定位与定向误差都非常接近Cramer-Rao下界，其平均定位与平均定向收敛误差分别为5.99 cm与6.65°，显著优于另外四种基于迭代的可见光定位算法。

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。