近年来,随着移动网络和智能终端设备的飞速发展,人们在室内环境中的位置服务需求愈加强烈。从室内定位服务的成本,稳定性等因素考虑,目前比较成熟的定位技术有Wi-Fi指纹定位和PDR(Pedestrian Dead Reckoning,PDR)定位,Wi-Fi指纹定位是利用无线信号接收强度RSSI(Received Signal Strength Indication,RSSI)进行定位,复杂的室内环境造成RSSI波动变化,对定位精度影响较大,但是没有累计误差。PDR定位技术依赖于手机传感器实时检测的数据,短时间内具有较高的定位精度,但是定位过程中容易造成累计误差。这两种定位技术各有其优缺点,单一利用一种定位技术很难达到精准定位的需求。多传感器信息融合定位已经成为了当前的研究热点。对于Wi-Fi位置指纹定位算法:(1)为了克服RSSI波动性问题,本文对离线阶段采集的RSSI样本进行了数据预处理,提出了一种RSSI样本过滤算法(RSSI Sample Filter,RSF),并且基于此算法重建了指纹数据库,规避了RSSI波动性造成的影响。(2)基于RSSI相对大小的稳定性特征,提出了一种基于RSSI排序规则的匹配算法(Rank-based Wi-Fi Fingerprinting,RWF),该算法巧妙地规避了RSSI多变性问题对定位结果造成的影响,充分利用了更有价值的排序信息,能够显著提高匹配算法的效率和准确性。对于PDR定位算法:(1)传统步进计数方法中利用单一阈值判断波峰存在偏差,本文提出了一种基于波峰过滤的步进计数算法,该方法能够有效减小计步数的误差。(2)步长估计对PDR定位结果有着至关重要的影响,本文提出了一种新颖的步长回归模型调整算法,该算法综合利用Wi-Fi指纹定位技术和PDR定位技术,能够针对不同的行人,利用最小二乘法自适应地生成步长和步频的线性关系模型,实验表明,该算法有效减小了因行人行走的随机性而产生的误差。本文利用无损卡尔曼滤波将以上两种定位算法的定位结果融合,得出最优解,充分利用了两种定位技术的优势,融合后的算法性能显著提升。