随着移动通信技术的飞速发展和智能终端应用业务的扩展,人们对于基于位置的服务（Location Based Services,LBS）需求日益增加,在室内环境中提供精确的位置服务的要求越来越强烈。WiFi作为网络基础设施目前已在各种室内环境下广泛普及,WiFi定位具有定位精度高,抗干扰性强,定位成本低等优势,另外,智能手机终端普遍内嵌了惯性传感器元件,使得基于惯性传感器的行人航迹推算（Pedestrian Dead Reckoning,PDR）在室内定位导航中发挥着重要作用。因此基于WiFi和PDR融合定位技术成为近年来的研究热点。本文主要针对室内WiFi与PDR融合定位技术开展以下研究。首先,针对室内WiFi定位指纹库离线采集过程中存在异常指纹点,以及在线定位指纹库匹配时运算量较大的问题,提出一种基于k-means聚类与WKNN指纹匹配的WiFi定位方法。该方法在离线阶段使用k-means聚类算法对整个指纹库进行聚类划分确定聚类中心;在线阶段将待测点根据信号强度RSSI与聚类中心点计算相似度,并根据相似度将待测点划归到聚类中心所在簇,然后在该簇内利用WKNN算法筛选位置指纹的临近点并实现定位。仿真结果表明:基于k-means聚类与WKNN指纹匹配的WiFi定位方法在从1到5d Bm的高斯定位噪声下,定位精度均优于传统WKNN算法。在高斯噪声3d Bm条件下,定位精度可达到1.2m以内,定位计算复杂度相比传统WKNN算法下降50%。其次,针对PDR定位中传统步频检测算法采用固定阈值处理实时步频数据存在伪波峰误判的问题,提出了一种双重自适应阈值区间的波峰波谷步频检测方法。实验结果表明该算法步频检测在变速和加速时准确度平均达到了96%,可适应行人的步态变化。针对传统非线性步长模型准确度不足的问题,提出了一种基于卡尔曼滤波的自适应步长估计算法。实验数据表明,本文算法比传统非线性步长模型准确度提升10%左右,更适用于步长值的估计。航向角估计采用Kalman滤波算法,通过磁力计低通滤波和陀螺仪求积分,计算每步方向角平均值并进行转弯判断。实验数据表明:改进后的航向角算法准确度更高,稳定性更好。最后,针对WiFi定位结果不稳定的问题,以及PDR中传感器的累积误差问题,研究了基于粒子滤波的室内融合定位算法。利用粒子群建立系统状态方程,PDR定位作为状态输入参数,利用WiFi定位作为观测向量更新粒子权重,再根据权值对粒子重采样,通过系统状态方程预测粒子状态进行定位。实验结果表明:该算法提高了定位系统的鲁棒性,消除了传感器累积误差对PDR定位结果的影响,定位精度达到1.8m,相较于单独技术定位精度提升了30%以上,且该室内定位方法系统成本较低,普适性更高。