随着生活水平的迅速提高与科学技术的飞速发展,人们日常生活中对定位导航服务的需求越来越大,然而在商场、地下车库等大型室内场所,由于卫星信号微弱,无法使用GPS进行实时导航。为弥补GPS在室内导航中的缺陷,人们通常选用微机电系统的惯性传感器进行室内惯性导航定位,作为GPS导航的替代。但由于室内环境具有其独特的复杂性与多变性,可穿戴设备使用者个体差异明显,通常室内惯性导航定位算法在遇到较强外界干扰的情况下,会出现一个或多个传感器测量误差的情况,从而导致整体系统定位导航精度的下滑。因此,能否通过自适应手段判断传感器是否遇到干扰,并降低传感器测量误差所导致的航迹误差,对室内惯性导航系统来说起着至关重要的作用。本文对基于自适应扩展卡尔曼滤波的室内惯性导航系统进行了设计、分析与实现。在通常情况下,由于系统对外界环境缺乏一定的信息量,进行扩展卡尔曼滤波数据融合时,一般使用固定的过程噪声与观测噪声,在这种情况下很容易出现由于传感器数据误差导致的精度损失。本文通过对扩展卡尔曼滤波中的过程数据进行分析,从行进步长与行进方向两个方面分别进行误差分析并建模,使用神经网络算法对扩展卡尔曼滤波噪声模型进行参数训练,以求自适应达到针对不同个体得出其最优模型参数的目的,从而降低由个体差异与外界环境干扰对模型准确性的影响,达到提高定位导航系统的导航精度与抗干扰性的效果。在系统的结构设计中,采用了嵌入式端-上位机-服务器的结构框架,在降低了嵌入式端功耗与设计复杂度的情况下,提高了整个系统的可扩展性。在实际测试中,整个导航系统的平均误差每100米误差小于2米,在受到外界环境干扰的情况下,跟踪轨迹受干扰程度降低30%-50%,系统导航实时性达到近实时效果,因此可认为该系统已达到设计预期。本文实现了基于自适应扩展卡尔曼滤波的室内惯性导航系统,该系统在功能和性能上均满足设计要求和指标,可实现对室内行人行走进行动态轨迹追踪,其研究成果对应用室内惯性导航技术的系统有一定的工程实用价值。