随着定位服务在个人定位导航、紧急救援、行业定位等领域的需求日益增加,对移动终端室内定位技术的需求也日趋明显。因此基于移动终端的室内定位技术正成为目前研究热点。由于WiFi具备室内覆盖部署广泛的优势以及智能终端普遍集成各类惯性传感器的特点,因此基于WiFi和惯性传感器的融合定位技术成为终端室内定位的主流技术,本文主要针对基于WiFi和惯性传感器的融合定位技术和算法开展以下研究。首先,针对室内WiFi定位系统在处理大面积区域时,采用传统WKNN位置指纹匹配定位算法由于遍历计算欧氏距离和近邻点个数固定导致在线匹配计算量大、定位精度不高等问题,提出一种基于k-means空间分区和EWKNN匹配的WiFi定位算法进行分区快速索引和精确定位估计。该算法首先根据k-means算法划分定位区域,解决了待测点与指纹点匹配过程造成的运算量大的问题,实现了分区快速索引定位;然后针对传统WKNN算法采用固定近邻点个数加权定位估计时,会导致与待测点相似度不高的近邻点参与定位引起定位误差增大的问题,提出了自适应EWKNN算法对近邻点指纹个数进行自适应选择,剔除偏远近邻点带来的误差,提高了定位精度和鲁棒性。通过实验对比结果表明:基于k-means空间分区和EWKNN匹配的WiFi定位算法定位精度在3d Bm高斯噪声条件下定位精度达到了1.65m,优于传统WKNN算法8.63%,定位匹配运算量减少了50%以上。其次,为了降低PDR定位存在累积误差的影响,对步频检测、步长估计和航向角估计算法进行了改进。针对基于固定阈值步频检测算法难以很好适应步速变化和行人差异性,提出了基于动态阈值约束峰值谷值判别的步频检测方法。实验结果表明该算法步频检测在变速和加速时准确度平均达到了96%,可适应行人的步态变化。为了提高步长估计精度,提出卡尔曼滤波自适应非线性步长估计算法,实验数据表明,相比于传统非线性步长估计法具有更高的准确率和普适性。为了使航向角估计更接近于实际轨迹,改进航向角估计方法是对航向角均值滤波后并进行转弯判据判别,实验结果表明了改进的航向估计方法更接近于实际轨迹且波动性小。最后,针对单一系统定位时WiFi定位结果波动大和PDR定位存在累积误差的问题,提出一种基于无迹卡尔曼滤波(UKF)的WiFi-PDR融合定位算法。利用PDR定位进行下一步位置预测;利用当前WiFi定位结果和PDR步长、步频及航向角估计作为量测信息对PDR预测值进行位置更新。通过实验对比分析表明,该算法改善了PDR定位长时间累积误差的问题,其定位精度达到了1.52m,相比于WiFi单独定位提高了33%,并在航向改变时具有良好的鲁棒性,可应用复杂环境下的高精度室内定位系统。