针对行人的航位推算技术越来越成为研究的热门方向,当前的实现方案可以分为依靠环境信号的有源推算方式和依靠可穿戴设备的无源推算方式。其中无源推算对外界环境无依赖,是一种自主的定位系统。其优势在于低成本、高隐蔽性、强抗干扰性,具有实现全场景定位的潜力。然而,由于这类算法估计的是行人的相对位置变换,导致了误差的累积,为实现精确的行人定位带来了挑战。论文针对未知场景下的位置解算任务,重点研究了利用深度学习算法建模,实现利用包含惯性传感器数据、图像数据在内多元数据融合的行人航位推算算法,主要内容如下:首先,设计了一套自适应零速更新辅助的捷联式惯性导航算法。针对其中行人的脚步状态检测算法（零速检测算法）,设计了 Symmetrical-Net模型,利用深度学习算法进行优化。Symmetrical-Net提升了针对不同行人、不同运动状态的自适应检测。相比于传统基于广义似然比检测的方法,脚步状态判断的精度和模型的泛化性得到提升。自适应零速检测器辅助下的航位推算系统表现得到了显著提升。此外,论文还在真实场景下,采集了一套全长约16公里,包含7个不同场景的数据集用来训练神经网络模型。其次,设计了一套融合惯性传感器数据和图像数据的视觉-惯性行人航位推算算法。设计了一种基于神经网络的紧耦合融合模型DenseVIO,通过手持传感器采集的开源数据集进行模型的训练与测试。论文设计的DenseVIO通过提取传感器信息的高维度表征,学习运动中的时序信息,位姿预测的平移误差与旋转误差均有所下降。论文设计的端到端航位推算模型缓解了依靠单一信源的定位系统鲁棒性差,精度低的问题。