La conciencia de la ubicación es crucial para numerosas aplicaciones inalámbricas emergentes en interiores. Los algoritmos de aprendizaje profundo han demostrado el potencial de lograr el nivel requerido de precisión de posicionamiento en entornos interiores. Sin embargo, obtener etiquetas abundantes para el aprendizaje automático basado en datos es costoso en situaciones prácticas. Como solución efectiva para aliviar la insuficiencia de datos etiquetados para el posicionamiento en interiores basado en aprendizaje profundo, se puede emplear el aprendizaje profundo semisupervisado (DSSL) para disminuir la dependencia de los datos etiquetados mediante la explotación de patrones potenciales en muestras no etiquetadas. En este documento, proponemos un modelo de Profesor Medio Adaptado (AMT) dentro del paradigma DSSL para el posicionamiento de huellas dactilares en interiores utilizando una respuesta de impulso de canal. Para mejorar la generalización del modelo entrenado, diseñamos un eficiente esquema de aumento implícito para el proceso de entrenamiento en el modelo AMT. Además, desarrollamos una red residual adaptada para extraer eficientemente las características de ubicación en el marco de AMT. Realizamos experimentos de simulación extensos para escenarios interiores con condiciones pesadas de no línea de visión basados en conjuntos de datos abiertos para demostrar la efectividad de nuestro modelo AMT propuesto. Los resultados numéricos indican que el modelo AMT supera a varios métodos de regularización de consistencia y al método de pseudoetiquetas en cuanto a precisión de posicionamiento y menor latencia de posicionamiento, logrando un error medio de 90 cm al utilizar un pequeño número de etiquetas.