智能手机内置了丰富的传感器,可以感知与室内位置相关的信息。充分融合多种传感器数据,对提高室内定位精度有重要作用,成为近年来研究的热点问题。手机的磁力计可以感知地磁场的强度。地磁场无处不在,信号稳定,在室内受磁性物质的影响发生局部畸变。这些畸变使地磁强度能够区分室内不同的位置。WiFi AP(Access Point)在室内广泛部署。WiFi的信号强度RSS(Received Signal Strength)随传输距离而衰减,也能用于室内定位。然而如何充分利用二者的特性,设计低成本高精度的室内定位算法依然面临严峻挑战。本文通过实验研究发现地磁场和WiFi信号在位置信息粒度和位置区分度方面具有互补特性。基于此提出了一个面向智能手机的两阶段定位框架:粗粒度定位阶段和细粒度定位阶段。在该框架下实现了基于地磁和WiFi融合的两种定位算法:MagWi和DeepLoc。MagWi是一种基于误差分配权重的特征融合室内定位算法。它使用独立于手机姿态的二维地磁特征。为了充分利用地磁和WiFi的互补性,MagWi建立了预测误差模型,该模型能够描述特征的定位能力。MagWi在粗粒度定位利用WiFi RSS特征确定一个子区域;在细粒度定位阶段基于预测误差模型将二维地磁特征和WiFi特征动态加权融合,得到用户位置。DeepLoc是基于深度学习的定位算法。它在离线阶段先使用分类DNN(Deep Neural Network)模型对子区域进行划分,然后对每个子区域训练一个独立的回归DNN模型用于位置估计。在线阶段实时采集地磁和WiFi数据,并利用训练好的DNN模型对用户进行定位。DeepLoc实现了对地磁和WiFi的两个阶段深度融合优化。MagWi和DeepLoc都只使用商业手机自带的传感器,无需外加硬件模块,也不需要事先部署专用设施,因此部署成本低。本文在安卓智能手机和服务器上实现了MagWi和DeepLoc,并在实际场景中进行实验验证。实验场景包含教学楼走廊、会议室和图书馆大厅,总面积超过700平米。实验表明,MagWi和DeepLoc在不同场景下各有优劣,但都能够取得相对于传统方法更高的定位精度,能够满足低成本高精度的定位需求。