La localización precisa en interiores es esencial para muchas aplicaciones. Sin embargo, los métodos actuales a menudo no son suficientes en entornos complejos debido a las fluctuaciones de la señal. Proponemos un nuevo enfoque de localización en interiores, es decir, el aprendizaje profundo secuencial mejorado (ISDL), para abordar este problema. Primero, aplicamos algoritmos de clasificación secuencial para reducir progresivamente el espacio de búsqueda, disminuyendo las regiones de ubicación potenciales en vecindarios más pequeños. Luego, combinamos una red neuronal profunda (DNN) con Vecinos más Cercanos Ponderados por Distancia (WKNN) para refinar la predicción final de ubicación. Posteriormente, validamos nuestro método utilizando el conjunto de datos disponible públicamente, demostrando una precisión superior en comparación con los métodos existentes. Específicamente, logramos una precisión del 95% en la predicción del piso y redujimos el error promedio de posicionamiento a solo 7.82 m. Al combinar la clasificación secuencial y el modelo híbrido DNN-WKNN, logramos una mejor localización en entornos interiores complejos. Este sistema ofrece mejoras prácticas para servicios de ubicación en tiempo real y otras aplicaciones que requieren una localización precisa en interiores.