在医院、仓库、商场、隧道等地方都需要室内定位。本文研究内容是基于机器学习的多种传感器数据协同定位技术,主要是联合Wi-Fi和惯性传感器进行定位。本文的主要工作和创新内容如下:(1)针对现有构造信道状态信息(Channel Status Information,CSI)图像定位的缺陷,提出基于新型CSI图像和卷积神经网络的Wi-Fi定位方法。首先,从理论上验证利用Ao A-To F(Angle of Arrival-Time of Flight)伪频谱(一种包含无线信号到达角和飞行时间的图像)进行室内定位的可行性,其中,提出一种软相位误差消除方法消除CSI的通道误差。然后,使用Ao A-To F伪频谱作为深度卷积神经网络(Deep Convolution Neural Network,DCNN)的输入,算法通过执行四个卷积和池化层,自动提取Ao A-To F伪频谱的数据特征,利用BP算法获得训练权值。最后,提出一种改进的概率定位方法进行定位。(2)针对现有多传感器存在的问题,提出基于双神经网络的多传感器协同定位技术。首先介绍协同定位模型的架构,然后重点介绍惯性传感器运动轨迹模型。最终建立的多传感器联合室内定位模型是在Wi-Fi定位模型的基础上引入惯性传感器数据信息,并采用门控循环单元(Gated Recurrent Unit,GRU)建立运动轨迹模型,提高了室内定位的精度和抗干扰能力,使之在复杂的室内环境下仍能保持良好的定位精度。(3)在实测数据集的基础上对本文提出的Wi-Fi定位方法以及协同定位技术的性能进行测试。实验结果表明,基于新型CSI图像和卷积神经网络的Wi-Fi定位方法优于使用CSI原始数据定位或是原始数据构造CSI图像的定位方法;基于双神经网络的多传感器协同定位技术实现了惯性传感器与Wi-Fi传感器优势互补,进一步提高了定位精度和抗干扰能力。