当前，导航技术正在快速发展，人们对定位要求也不断提高，利用单一导航源提供的单一信息定位已不能满足人们的要求。多源融合导航技术是当前导航定位技术发展的必然趋势。在信息融合定位过程中，除了室外常用的卫星信号外，地球磁场、蓝牙/WLAN信号、里程、气压、图像等信息也逐渐运用到定位中。以上信息无论在数据格式、物理机理还是定位原理均存在极大的差异，我们称之为异构信息。如何将这些异构性信息进行融合是信息融合定位研究的重点。国内外专家学者针对这一问题提出了众多解决方案，其中，基于隐马尔科夫模型(Hidden Markov Model，HMM)的融合定位算法利用了信息在时序上的马尔科夫性质，能够较好地融合不同种类信息，成为当前异构信息融合的研究热点。　　本文针对异构信息，提出了一种基于HMM的多源融合导航定位方法，主要工作总结如下:　　1.基于多传感器提供的原始数据，对现有导航源提供的信息进行分类梳理，并着重研究了场景信息的感知方法:通过配备在行人或车辆上的多传感器，对其行为或周围环境的特征进行分析建模，进而得到场景信息感知方法。结果表明，场景信息的检测率较高，为利用此信息的融合定位算法奠定了基础。　　2.在分析了不同种类导航信息的基础上，本文结合隐马尔科夫模型数学工具，设计了异构信息融合定位算法。相比于其它的融合算法，这种算法有效地利用了场景特征，因其比电磁信号更加稳定，使得它对其他信息的定位结果具有修正作用，提高了定位精度。同时，隐马尔科夫模型将所有信息统一到同一算法框架下，既精简了融合算法结构，又提高了融合定位结果的精度。　　3.搭建了典型室内外环境下，面向行人和车辆的实验验证系统，能够提供定位基准、惯性信息、地球磁场强度、蓝牙/WLAN指纹、视觉图像、场景等信息，具备算法验证的功能。　　4.针对所提出的算法，利用实测数据进行仿真实验。结果表明，本文提出的算法可以在起点未知的情况下，有效地自主寻得起点，在有限的测试数据下，正确率较高，且所需时间较短。在定位精度方面，使用本文方法的行人弯路与惯性信息融合，相较于单纯使用惯性信息的行人航位推算(Pedestrian DeadReckoning，PDR)，得到的定位结果精度最高可提高40.56％且保持稳定。在车辆地磁、里程与弯路异构信息融合实验中，1σ定位精度可达1.598m。同时，算法在信息存在漏检的情况下，仍具有较好的鲁棒性。　　综上所述，本文提出的算法是一种有效的异构信息融合定位算法。