近年来,随着智能移动设备及其他无线设备的普及,基于位置的服务需求(L BS)日益增大。在室内定位领域出现了很多种解决方案,例如,使用i Beacon信标进行定位的技术、利用地磁指纹进行定位的技术、利用深度学习进行定位的技术等。其中,利用i Beacon信标的定位技术具有定位稳定、准确性高的优点,但需要部署大量硬件设备;基于地磁指纹的定位技术具有指纹稳定性高、定位准确的优点,但容易受到强磁场干扰、定位精度受所用传感器型号的影响、其依赖的惯性传感器会产生累积误差,从而造成定位误差。因此,本文提出多源定位信息融合的定位方案。同时,在路径规划问题中,研究人员也实现了利用多种算法进行室内路径规划,如Dijkstra算法、Floyd算法、A*算法等。其中,A*算法通过使用估价函数,利用已知信息对室内节点先排序再进行查询,降低了算法查询的时间以及计算花销,因此,针对室内路径规划问题,本文选择A*算法实现路径的规划。本文围绕i Beacon信标定位技术、i Beacon辅助的地磁定位技术、深度学习辅助的地磁定位技术、基于A*算法的室内路径规划技术,对定位导航系统的精度及稳定性方面进行研究。本文具体完成的工作主要有:一、分析了i Beacon定位技术和地磁指纹定位的原理及其特点,然后针对两者在实际应用中存在的问题,即i Beacon信号不稳定、地磁定位易受强磁场干扰、存在惯性传感器累积误差、不同型号传感器测量的地磁信号存在差异等问题进行改进,提出了i Beacon信标与地磁融合的室内定位方案。针对不同型号的手机分别建立地磁指纹库降低由于用户所用手机内置传感器型号不同导致的定位精度波动,并利用改进的粒子滤波算法解决在粒子重采样过程中存在的样本多样性丢失问题,同时使用i Beacon信标定位结果对地磁指纹定位结果进行校正。最后把所提方法在Android平台实现并进行相应测试。最终的测试结果表明,所提定位方法有效地提升了定位结果的精度和稳定性。二、分析了传统的粒子滤波算法,针对其重采样过程中由于删减低权重粒子、只复制高权重粒子,容易使计算量增大,且造成粒子多样性丧失、粒子样本退化的问题,对粒子滤波算法进行了改进,提出了改进的部分重采样粒子滤波算法。在进行粒子重采样前先对粒子集进行预处理,通过对相邻的两个粒子进行权值比较,计算其权值平均值,并以平均值替换权重较小的粒子的权值,使其移动至高似然区域。然后通过设置粒子权重阈值,将粒子分为两类,其中权重居中(即粒子权重在阈值范围内)的粒子不参与重采样过程;而权重较大与权重较小的粒子则先进行粒子权重的线性优化,然后再对其进行重采样,通过重新利用低权重粒子,保留了粒子的多样性,克服了重采样过程导致的样本退化问题。三、分析了基于深度学习的室内定位技术,结合本课题的实际场景,提出了深度学习校正的地磁指纹定位方法。首先,扫描室内的Wi Fi及地磁信号形成指纹数据集,并对其进行预处理。同时利用SAE处理指纹数据以获取特征,然后利用K近邻算法计算得到用户位置。在线阶段定时启动深度学习定位,利用深度学习定位结果对地磁定位结果进行校正。最后把所提方法在Android平台实现并进行相应测试。最终的测试结果表明,所提方案具备更高的定位精度。四、对基于A*算法的室内路径规划导航技术进行了研究,利用有限元法对室内空间区域进行抽象描述,建立delaunay三角网络对室内空间进行划分,对室内空间情况进行数据抽象。接着获取室内定位部分得到的用户定位与所选终点信息,使用A*算法实现室内路径的规划与导航。最后将所提方法在在Android平台实现并进行相应测试。实验结果表明,所提方法可以实现有效的室内定位导航,且具有很高的稳定性与精确度。