随着全球卫星导航系统GNSS（Global Navigation Satellite System）技术日益成熟,GNSS已成为室外定位的最佳选择,在测绘、航空、航海、交通、气象等诸多环境中广泛应用。但在室内环境中,由于信号的遮挡,存在GNSS不可用的问题,因此,在室内环境中如何进行有效的定位,是一个亟待解决的问题。不同于以往足部式穿戴微惯导设备或者手持智能手机进行定位导航,本课题聚焦于穿戴更为方便但是研究较少的腰部位置,采用多种深度学习模型如长短神经网络（Long Short-Term Memory,LSTM）、图卷积神经网络（Graph Convolutional Network,GCN）进行传感器特征数据学习,从而达到稳定精确的效果。本文的主要贡献和工作在于:（1）多种传感器定位的复现。由于室内定位技术体系庞杂且交互,目前还没有任何一种完整框架应用。因此,为了更好的研究定位技术,本课题对地磁定位、气压楼层定位、RSSI测距定位和惯性导航定位进行了复现,以学习每一种传感器技术在室内定位上的优势和劣势。（2）用了三种深度学习方法来处理腰载式数据,提高腰载式设备航向角估计的准确率。一方面考虑到航向估计可以看作是时间序列预测问题,从而引入长短神经网络模型;另一方面考虑到图可以表示数据之间的关系,可以很好地刻画不同时刻的朝向和运动方向之间的联系,从而引入图卷积神经网络模型;最终,通过预测行人运动方向辅助方向传感器进行航向角计算,从而即使行人运动方向和面部朝向不一致,也可以计算出真实的运动航向角。（3）在绘制腰载式用户轨迹时,我们设计了两阶段行为检测算法,提高了步长和步数估计的准确率。我们将传统的步态检测模式分解为多运动状态下的识别,设计双层判别器,第一层判断如上下楼梯、上下扶梯、行走等运动状态,第二层判断行走时出现的原地跳跃、身体晃动等动作,减少伪计步数。我们通过输入等间隔时长的传感器数据进行步数训练,并对该时长内估测步长,从而在减少干扰的基础上,提高步长和步数估计的准确率。（4）设计了腰载式惯性导航的实验场景,包括腰载式惯导设备、UWB以及手机传感器设备的数据融合。仿真实验表明,深度学习模型在服务器端取得了令人满意的性能,而由于室内定位对精度要求的特殊性,移动端的深度学习准确率还有待进一步提高。同时,为了减少移动端数据上传服务器,我们尝试使用迁移学习技术,以通过移动端采集的数据在服务器端预训练模型的基础上进行模型微调。