随着物联网以及智能终端的飞速发展,位置服务在诸多领域创造出巨大的应用价值,如道路导航、火灾救援以及医护管理等。在室外,全球导航卫星系统（Global Navigation Satellite System,GNSS）为室外定位导航提供高精度的位置服务,但在室内,卫星信号受建筑物遮挡严重导致室内定位性能差。受此影响,各种室内定位技术应运而生,单一定位技术虽有优势,但也存在一些劣势。其中无线信号受环境和硬件条件的制约,惯性定位受累积误差的限制,导致定位精度大大降低,因此对于室内多源信息融合定位的研究逐渐成为研究重点。本文以面向行人轨迹为研究对象,智能手机为载体,利用室内环境广泛存在的Wi Fi信号以及智能手机内置惯性元器件（Inertial Measurement Unit,IMU）信息,提出并实现误差分析下的扩展卡尔曼滤波（Extended Kalman Filter,EKF）融合Wi Fi与PDR的定位算法,本文主要工作如下:（1）针对离线建库过程中,同一位置上接收来自同一接入点（Access Point,AP）信号强度分布无规律性,在线定位时单一分类器分类性能差的问题,本文提出利用增强高斯混合模型（Enhanced Gauss Mixture Model,EGMM）建立RSS（Received Signal Strength,RSS）分布模型,并利用多分类器投票的集成学习方法进行实时定位。通过贝叶斯信息准则确定分模型个数,每个分模型中通过期望最大算法（Expectation Maximation,EM）解算模型参数,并在分模型中训练多分类器集成模型,在线定位阶段,根据模型参数中的权重向量分配权重,得出最终位置输出。实验结果表明,本文提出方法定位误差小于1 m的概率为92.34%。（2）在计步检测中,针对传统动态阈值与普通阈值算法无法避免伪峰谷值的问题,分析行人行走的三轴加速度数据,提出双重阈值二值化算法进行计步检测。设定双重阈值,根据加速度模值满足不同的阈值条件设定状态量,出现状态转变则记为一步。行人在不同运动速度下,本文算法计步检测的准确率高达95%以上。针对航向角误差累积的问题,提出自适应融合算法抑制航向角误差累积。磁力计可以解算出航向角,但精度不高,因此通过加速度计和陀螺仪的一次融合,得到一次航向角,之后根据设定磁感应强度大小,分配磁力计计算所得航向角与一次航向角融合之间的权重。实验结果表明,在矩形轨迹下,本文算法航向角平均误差为4.5°,较其它算法要低。（3）针对Wi Fi位置指纹定位与行人航位推算（Pedestrian Dead Reckoning,PDR）定位技术的优缺点,本文提出一种基于误差分析下的EKF算法进行融合定位。通过对恒定转弯率和速度（Constant Turning Rate and Velocity,CTRV）模型的误差来源分析,建立预测过程中的误差模型,确定误差带来的不确定性。实验结果表明,本文提出的算法在S型和Z型轨迹下的位置平均误差分别减少到1.396 m和1.223 m,较卡尔曼滤波（Kalman Filter,KF）和EKF位置平均误差低。