随着社会和互联网的快速发展,人们对生活智能化要求越来越高,因此基于位置服务（Location Based Service,LBS）和室内定位的需求不断提升。但由于各项单一定位技术都存在着一定程度的弊端,不能够完全满足室内定位系统需求,组合定位成为了主要的解决方案。由于基于超宽带（Ultra-wideband,UWB）和惯性测量单元（Inertial Measurement Unit,IMU）的两种定位技术都具备各自明显的优势和固有缺陷,本文利用两种定位技术的优势,同时结合先验误差模型、运动模式、视距（Line of Sight,LOS）/非视距（Non-Light of Sight,NLOS）检测和地图信息,提出基于多源约束的室内行人组合定位方法,实现多源信息和两种定位方法的融合,提升组合定位系统的定位精度和系统稳定性。主要内容包括:1、针对UWB传统定位算法易受到多路径、非视距的干扰导致定位精度下降的问题,在最小二乘算法和Taylor算法的基础上,采用扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法,减少测距误差及定位中的异常突变点,使轨迹更加的平滑,提高定位精度。2、针对较固定的室内走廊非视距场景UWB定位存在的非视距误差,提出了基于梯度提升决策树（Gradient Boosting Decision Tree,GBDT）的误差修正算法,利用先验误差模型,训练UWB测距值与定位误差间的非线性关系,对定位误差进行修正。实验结果表明,提出的EKF+GBDT算法相比常用的UWB滤波定位算法修正了非视距定位误差。3、针对行人航迹推算（Pedestrian Dead Reckoning,PDR）定位过程中步数检测误检问题,提出了自适应多阈值步态检测方法,通过机器学习对行人运动模式进行识别、自适应调整阈值大小,提高了步态检测的准确度;提出了基于滑动平均和限幅滤波的航向角修正方法,减少了航向角误差。4、针对复杂易变的非视距场景UWB定位存在的多径、非视距误差大、PDR误差累计等问题,提出基于多源约束的改进粒子群优化算法。基于LOS/NLOS检测提出视距系数,对视距图进行自然邻点插值处理,根据UWB定位误差阈值和视距图自适应调整粒子权重,从而将LOS/NLOS检测、先验误差模型、运动模式、地图信息、UWB位置估计和PDR步长/航向角进行融合。实验结果表明,本文提出的基于多源约束的室内行人组合定位算法能提高定位精度和减少粒子群局部最优问题,在LOS和NLOS情况下都能进行精确定位,与单一的UWB定位相比,x轴平均误差减少了74.42%,y轴平均定位误差减少了6.17%;与单一的PDR定位相比,x轴平均误差减少了92.24%,y轴平均定位误差减少了85.82%。该论文有图51幅,表14个,参考文献86篇。