随着基于用户位置的智能手机服务快速发展,室内定位技术逐渐成为定位技术领域的一个研究热点。由于室内环境的复杂性,无线信号在室内的传播会受到室内障碍物的遮挡,室内环境下卫星定位的精度远不如室外,因此需要借助其他传感器进行室内定位。本文提出了一种基于WiFi位置指纹和惯性定位的融合定位算法,并使用机器学习算法进行了优化,最终取得了比较好的效果。本文的研究工作主要分为以下三部分:第一部分,本文研究并提出了一种基于深度学习和WiFi位置指纹的室内定位算法,将WiFi接入点映射为向量,从而学习WiFi接入点之间的位置关系。在大型室内定位数据集上的实验证明,此方法与传统的WiFi位置指纹定位方法相比,定位精度提升了 8.1%。第二部分,本文研究并提出了一种基于深度学习的惯性定位算法。与PDR算法相比,该惯性定位算法对用户位移的预测精度提升了 26.7%,且不需要像PDR算法一样针对不同行人设置不同的参数。第三部分,在前两部分的基础上,本文设计了一种基于WiFi位置指纹定位和惯性定位的室内融合定位算法。算法利用WiFi位置指纹模型预测行人在室内的绝对位置;利用惯性定位预测用户在给定时间内的相对位移。最后设计了一个联合损失函数,使最终的预测结果结合以上两部分预测信息。实验结果表明,融合定位结合了 WiFi指纹定位对室内位置预测准确的优点和惯性定位对用户相对位移的预测准确的优点,与使用单一定位技术相比,行人路径的预测结果更加精确与鲁棒,定位精度与只使用WiFi位置指纹定位相比提高了41.5%。在定位阶段,本文还提出了一种基于建筑信息的预测结果校正方法。根据建筑的设计图提前标示出用户不应当出现的位置,如果行人航迹的预测结果出现在了建筑中不合理的位置,则通过所设计的后处理校正算法,将预测坐标校正到合理的位置。