随着移动互联网和物联网技术的高速发展,位置服务越来越受到各行各业的关注,并在医疗救护、物流跟踪、旅游娱乐等诸多室外领域得到广泛应用,融合了无线通信、微电子和嵌入式计算等技术的移动智能终端设备的广泛普及,进一步促使位置服务的应用领域从室外扩展到室内,诸如机场、医院、博物馆、购物中心等大型室内场景对位置服务均具有较高的应用需求。在复杂多变的大型室内位置服务应用场景中,受室内环境复杂多变、人员流动、智能终端设备自身限制以及对定位精度较高需求等影响,现有的基于全球卫星导航系统的传统室外定位技术无法应用于室内场景,如何精准地确定室内区域中待定位目标的位置信息,并提供高效的位置服务,成为室内定位技术的研究难点问题。随着移动智能终端设备处理能力逐步提高,大量传感器件被植入智能终端设备中,如何融合多种感知信号,研究具有便携性和高效性的室内定位技术,无疑具有较大的实际意义和广阔的应用前景。本文针对面向移动智能终端设备的室内定位技术进行了深度的分析,并将机器学习方法融入到移动智能终端设备的室内定位过程中,对现有研究成果的不足进行了改进和补充,最终取得了具有理论意义和实际应用价值的研究结果。本论文主要工作内容包括:（1）针对WiFi网络中基于K最近邻（K-Nearest Neighbor,KNN）瞬时指纹匹配室内定位方法面临的信号时变现象或人为干扰引起的定位精度差的问题,提出了一种基于时间序列的WiFi指纹匹配室内定位方法。该方法将常规的瞬时WiFi信号按照采样的先后顺序作为时间序列类型数据,而后将时间序列信号数据转化为基于滑动窗口的指纹特征数据,增加了 WiFi指纹匹配的单位特征信息量,并针对基于时间序列的指纹特征提出了两种指纹匹配方法:基于动态时间规整（Dynamic Time Warping,DTW）的WiFi指纹匹配算法和基于最长公共子序列（Longest Common Subsequence,LCSS）的WiFi指纹匹配算法,从而提高了 WiFi指纹匹配的准确性。实验结果表明,所提定位算法定位结果明显优于瞬时指纹定位算法。（2）针对行人航位推算（Pedestrian Dead-Reckoning,PDR）室内定位中由于移动智能终端设备内嵌的低成本传感器及复杂的行人运动等原因导致的定位误差累积问题,提出了一种基于在线序贯极限学习机（Online Sequential Extreme Learning Machine,OS-ELM）的行人航位推算室内定位算法。该算法首先对行人航位推算过程进行抽象,将其转化为函数逼近的过程;而后为惯性传感器获取的数据设计了基于滑动窗口的数据模型,并将其作为函数逼近的特征数据;最后,对OS-ELM机器学习方法进行改进,并将其应用于行人航位推算过程进行函数拟合,以达到定位的目的。所提定位算法能够充分利用OS-ELM的万能逼近能力和极限学习速度,动态适应定位环境变化,从而减小航位推算室内定位误差;另外,所提定位算法还能够动态学习行人的运动习惯,因此,行人所持移动智能终端设备的姿态不受限制。本文对比了所提定位算法与常规的行人航位推算方法。实验结果表明,所提定位算法在所持移动智能终端设备不同姿态的有效性上和室内定位精准性上均优于常规方法。（3）针对基于WiFi和惯性传感器的室内融合定位过程中,由于移动智能终端设备中内嵌的低成本传感器、WiFi信号时变及定位环境复杂等原因导致的定位误差较大、融合定位调参过程复杂等问题,提出了一种基于长短期记忆（Long Short-Term Memory,LSTM）网络的室内融合定位算法。该算法对室内融合定位过程进行抽象,将其转化为递归函数的逼近过程,而后将WiFi接收信号强度（Received Signal Strength,RSS）和行人航位推算数据进行整合,设计了基于滑动窗口的时间序列数据模型,并将其作为室内融合定位递归函数逼近的特征数据,最后利用LSTM机器学习方法对室内融合定位过程进行函数拟合,以达到定位的目的。所提定位算法能够充分利用LSTM网络对时间序列问题的强大预测能力,降低室内融合定位过程的误差;另外,所提定位算法能够将WiFi数据和PDR数据共同作为特征数据进行处理,与基于滤波室内融合定位方法相比较,所提算法更具准确性和扩展性,可进行多种不同定位技术的扩展融合,同时避免复杂的调参过程。本文对比了所提定位算法与常规的基于滤波的室内融合定位方法,实验结果表明,所提定位算法在室内融合定位的有效性和精准性上均优于常规方法。