La posición inalámbrica en interiores ha sido durante mucho tiempo un campo dinámico de investigación debido a su amplio rango de aplicaciones. Aunque se han desarrollado muchos productos comerciales, a menudo no son de código abierto o requieren una infraestructura sustancial y costosa. Académicamente, la investigación ha explorado extensamente Bluetooth Low Energy (BLE) para la posicionamiento, sin embargo, hay una notable falta de estudios que comparen de manera integral algoritmos tradicionales bajo estas condiciones. Esta investigación tiene como objetivo llenar este vacío evaluando algoritmos de posicionamiento clásicos como K-Nearest Neighbor (KNN), Weighted K-Nearest Neighbor (WKNN), Naïve Bayes (NB) y una Red Neural basada en la Fuerza de Señal Recibida (RSS-NN) utilizando tecnología BLE. También presentamos un método novedoso que utiliza Redes Neuronales Convolucionales (CNN), específicamente diseñado para procesar datos RSS estructurados en un formato similar a una imagen. Este enfoque ayuda a superar las limitaciones de la huella digital tradicional de RSS al gestionar de manera efectiva la dinámica ambiental dentro de entornos interiores. En nuestras pruebas, todos los algoritmos se desempeñaron bien, logrando consistentemente una precisión promedio de menos de dos metros. Notablemente, el método CNN superó a los demás, logrando una precisión de 1.22 m. Estos resultados establecen una base sólida para futuras investigaciones, particularmente para mejorar la precisión de los sistemas de posicionamiento en interiores utilizando aprendizaje profundo para aplicaciones económicas y fáciles de configurar.