近年来,随着无线传感器网络技术的发展,基于位置的服务受到的关注与日俱增,相关的应用需求和定位技术层出不穷。而受限于室内墙体对卫星信号的遮蔽,全球卫星导航系统无法在室内实现精准定位,国内外学者针对室内定位进行了大量的研究,进而催生了许多室内定位技术。无线局域网（Wireless Local Area Network,WLAN）在室内广泛分布,智能移动终端也不断普及,为组合导航定位技术的发展、应用和推广提供了良好的条件。本文针对室内组合定位方法进行了相关研究,主要内容如下:第一,针对接收信号强度易随时间发生变化以及随距离衰减过快导致WLAN定位精确性和稳定性较低的问题,研究了细粒度的信道状态信息（Channel State Information,CSI）和神经网络概率加权指纹法,提出了一种结合稠密连接网络的CSI矫正定位方法。首先采用孤立森林剔除CSI异常数据,构造了一种充分利用时间、频率和空间CSI信息的幅值指纹形式;然后训练改进的稠密连接网络以建立CSI指纹与空间位置的关系;通过广义延拓插值法扩充指纹库,减小了数据采集的工作量,提供了高精度的插值指纹库;提出一种基于神经网络的概率加权定位与K近邻（K Nearest Neighbor,KNN）定位结合的矫正定位方法,充分利用了CSI信号信息,提高了定位的准确性和鲁棒性。第二,为缓解室内定位技术因单一定位源导致精度不足、稳定性不高的问题,研究了行人轨迹推算（Pedestrian Dead Reckoning,PDR）、差分气压测高以及导航定位中因子图的构建方法,提出了一种基于因子图的室内组合定位方法。首先改进了行人轨迹推算,使用峰值检测和步伐点滤除方法进行步伐检测,在步长估计问题中使用高斯-牛顿迭代法计算对数模型参数,在方向估计中采用跳变消除法和滤波处理航向角数据;提出一种基于广义延拓外推的突变过滤法,使用多次外推结果增强判断的鲁棒性,滤除并替换气压数据中的突变值;最后构建了利用结合稠密连接网络的CSI矫正定位方法、PDR以及差分气压测高法结果的因子图模型,实现了基于因子图的室内组合定位方法。最后通过实验验证,本文提出的基于CSI的神经网络室内定位方法的平均定位误差相较于传统神经网络概率加权算法降低了29.3%,相较于KNN算法降低了51.5%。此外,本文提出的基于因子图的室内组合定位方法相较于扩展卡尔曼滤波和联邦滤波器,平均定位误差分别减小了42.9%和40.3%。