智能手机的普及和其所配备的丰富传感器使其逐渐成为新的感知和计算平台。借助智能手机获取位置信息的便利,基于位置的服务受到产业界越来越多的关注,其关键在于如何获取精准可靠的室内行人运动轨迹。目前的技术能够利用智能手机传感器读数对持有者进行行走判断与方向估计,并且能够通过手机扫描得到的室内无线信号强度特征进行粗略的位置估计,但这些方法会不免受到噪声、累积估计误差、以及信号波动等因素的影响,从而限制了它们的精度。此外,目前的高精度室内位置估计方法大多依赖于特定的设备安装与环境布置,如射频识别、红外、可见光、计算机视觉和超声波等,这些方法虽然能够提供较为准确的位置估计,但成本极高,很难被普遍推广到日常生活应用中。为了能够在一般的室内环境中取得较高的轨迹重建精度,一个极具前景的发展方向是对现有技术手段进行融合互补,并在模型及算法层面上提升其表示能力,从长时间积累于应用之中的历史数据学习复杂的映射关系。本文提出了一种数据驱动的室内轨迹重建方法,利用非参数化的高斯过程模型对行人前后时刻位置之间的映射关系以及位置与量测量之间的映射关系进行建模,得到具有强大表示能力的高斯过程状态空间模型(Gaussian process state-space model,GPSSM),能够更准确地捕捉一切动态行为。相比在室内场景中常用的参数化经验模型,数据驱动的非参模型能够更好地表示复杂的行人运动模式以及在复杂的无线传播环境下收集到的量测数据。GPSSM为基于WiFi接收信号强度的位置估计方法以及基于智能手机惯性测量单元的行人航位推算技术提供了天然的融合机制,有助于对室内轨迹重建算法进行整体、全新地设计。此外,与黑箱式的深度神经网络框架相比,高斯过程所代表的贝叶斯方法具有更好的模型解释性和灵活性。本文针对GPSSM的特殊、复杂结构,结合贝叶斯学习、推断以及深度学习的最新进展,为其设计精确的、低计算复杂度的、可扩展至大数据集的超参数训练框架。本文还为GPSSM在室内轨迹重建场景下的实际应用进行了适配,并针对算法的计算复杂度以及稳定性等问题提出了相应的优化方案。本文设计并开发了一套用于智能手机传感器数据收集、传输和存储管理的软件系统,并在真实、复杂的室内环境中收集行人历史轨迹数据用以训练GPSSM,展示它所带来的轨迹重建精度提升效果和极佳的自适应性。