导航技术作为众多信息技术的代表,正悄然进入人类生活的细枝末节。如何适应复杂环境、融合多传感器信息实现更加精确的定位成为导航技术的关键所在,贯性导航系统避免了对于信号源的依赖,使用更加灵活,正逐渐成为个人导航技术研究的重要课题。然而惯性导航系统存在误差累积、容错能力差等特点,本文意在设计一种基于惯性传感器的个人导航系统,并结合机器学习支持向量机方法和粒子滤波,实现对于定位结果的优化。本文通过提取基于卡尔曼滤波的惯性导航系统所解算步长、航向变化角度等信息,建立基于步长、航向变化角度的航位推算运动模型,通过粒子滤波算法对运动轨迹进行优化。优化模块包括平面地图信息融合和活动识别纠正点融合两方面：首先,平面地图信息为航位推算正确性提供了重要的判断依据,本文假设在室内平面地图已知的情况下,利用平面地图信息,判断粒子滤波推算的正确性,即对每一步中每一个粒子分别进行推算,剔除错误粒子,对粒子权重进行二次优化,保证运动轨迹符合客观事实,从而实现纠正；另外,对惯性传感器以及气压传感器数据进行预处理,包括坐标变换、高通滤波、计算气压差值等过程,抽象出训练集进行训练,通过两层的支持向量机对人的活动进行识别,主要识别静止、走路、上下楼梯、上下电梯等活动,针对其中包含了地理信息的活动提取纠正点,并将其提供给粒子滤波模块,在粒子滤波推算的过程中纠正定位解算结果。通过实验可以发现,融合平面地图信息使系统修正了穿越墙壁的错误解算结果；加入活动识别纠正模块后,在基于卡尔曼滤波的导航系统解算结果误差较大情况下,累积误差控制在2%以内。本文的研究证明：通过融合平面地图信息,影响粒子权重的更新与传递,有效的剔除了错误粒子；同时借助支持向量机,对惯性传感器数据进行活动识别,识别准确率较高,通过二次优化识别结果,将带有地理信息的活动作为纠正点,粒子滤波融合纠正点信息完成修正,提高了系统整体精度；算法具有一定的可行性。