由于室内环境复杂，基于Elman神经网络的可见光位置感知存在收敛速度慢、定位精度低等缺点。论文提出基于麻雀搜索算法（sparrow search algorithm, SSA）优化Elman神经网络，同时融合K-means聚类的一种可见光室内位置感知算法。对采集到的数据建立数据库，利用SSA对Elman的拓扑结构和连接权阈值进行优化，建立训练模型，解决基于Elman神经网络室内位置感知算法易陷入局部最优的问题，提高收敛速度和稳健性；利用K-means对数据库优化分类，将处理好的数据代入模型训练得初步预测结果；将初步预测结果代入子类二次训练得预测点的最终坐标，进一步提高定位精度。基于0.8 m×0.8 m×0.8 m的立体空间进行实验，结果表明：论文算法平均定位误差3.22 cm，定位误差小于6 cm，概率达到90%，相较SSA-Elman算法定位精度提高7.5%；相较Elman网络算法定位精度提高16%。