随着基于位置服务需求的增长，室内定位成为国内外学者研究的重点领域。研究发现采用多传感器信息融合方法可以提高定位准确度。针对室内定位的发展趋势以及惯性和视觉定位的各自优缺点，从不同融合结构角度出发，本论文主要提出了以下三种融合定位算法：
　　第一种算法是利用极限学习机融合惯性和视觉信息进行室内定位。在基于单层极限学习机的视觉定位方法中，引入图像模糊判断解决采集的图像模糊时视觉定位算法误差大的问题。同时利用视觉的静态反馈对惯性数据进行误差修正，根据惯性数据本身特性提出基于联合约束的零速校正方法，有效地控制惯性导航系统的误差累积问题。本算法使用第二层极限学习机神经网络融合基于单层极限学习机获得的视觉定位结果和零速校正后获得的惯性定位结果。将本算法所得融合后的定位结果分别与改进后的惯性定位结果和视觉定位结果进行比较，实验结果表明融合后的效果要优于单一算法的实验效果，定位精度和稳定性均得到提升。
　　第二种算法是基于多层粒子群优化极限学习机的分区域室内定位方法。在建立粒子群优化极限学习机的第一层回归模型的基础上，增加第二层分类模型以及第三层回归模型。算法对整体区域进行划分，单独对误差较大的转角区域进行训练，有效的降低了转角区域的定位误差，提高了整体定位精度。通过对比实验证明了本算法在存在外界干扰时也能保持良好的定位精度，具有较强的鲁棒性。
　　第三种算法是基于在线顺序极限学习机和区间直觉模糊多属性决策的室内定位方法。本算法采取集中式融合方式，利用惯性和视觉传感器数据生成特征向量，建立包含特征向量和目标输出位置的训练样本集，通过在线顺序极限学习机学习训练样本建立初始定位模型。通过顺序学习不同匹配步长的新数据，建立适应各种匹配步长的在线顺序极限学习机定位模型。在定位阶段根据特征点匹配情况自适应调整匹配步长，得到帧图像间的相对位移。通过区间直觉模糊多属性决策算法确定每帧图像的最终位移结果，并引入转弯检测算法来减小转角区域的定位误差。实验表明该算法具有较高的定位精度且实时性强。