随着科学技术的飞速发展和人们生活水平的日益提高,基于室内定位的服务应用受到了越来越多的关注。经过大量的研究,室内定位领域公认的发展趋势是从多个成本低廉的传感器获取不同的数据信息,利用融合技术实现精确且鲁棒的定位结果。许多科研成果已证明在视觉特征丰富的环境中基于图像的定位效果很好,但当外界存在干扰时会产生较大且无法预测的误差。近年来,惯性测量单元凭借性价比高、可实现自主定位而广受欢迎。其不足之处在于长时间运行会产生误差累积问题。针对室内定位的发展趋势,及视觉和惯性定位的各自优缺点,从不同融合结构角度出发,本论文主要提出了以下三种融合定位算法:第一,提出了一种利用改进的卡尔曼滤波器融合现有视觉和惯性定位结果的算法。该算法利用分布式融合结构,通过设计包括位置、速度、加速度差三状态的卡尔曼滤波器模型及引入特征匹配阈值的概念,实现了视觉与惯性定位的融合。其利用了惯性定位在短时间内准确的优点,又可有效控制视觉定位在存在外界干扰时定位不准确的问题。实验表明,融合定位后的精度要好于仅基于惯性数据或视觉特征的结果。第二,提出了一种基于全局特征和差分零速度校正的加权定位算法。本算法对传统的视觉及惯性定位方法均进行了改进。传统的视觉定位采用的都是局部特征表示,导致在特征匹配阶段计算量非常大,本算法提出通过聚类方法获取全局特征从而减小匹配阶段的搜索空间,提高时间效率。其次,通过分析加速度测量在静止及运动状态下的差分值特性,结合零速度校正的思想,提出了差分零速度校正的方法,在一定程度上控制了惯性定位误差累积的问题。最后利用主成分分析方法对改进的惯性和视觉定位结果进行权重分配,获取融合后的定位结果。该算法在时间效率上优势明显,且定位精度可满足多数基于位置服务的需求。第三,提出了一种结合极限学习器与Dempster-Shafer证据理论的融合定位方法。本算法采取集中式融合方式,首先建立包含图像特征和惯性数据的输入特征;然后利用极限学习器训练建立的模型;最后,通过D-S证据理论完成定位结果的信任度分配。此外,由于目标转弯时存在定位误差较大的情况,本算法引入了一种拐弯判定准则加以解决。实验表明,该算法可以既满足实际应用中实时性的要求,也可以在有复杂干扰的情景中达到较好的定位精度。