近年来,随着移动互联网技术和通信行业的快速发展,基于位置服务LBS(Localization Based Services,LBS)逐渐成为人们的一项重要需求,人们对室内定位服务需求也愈加强烈。由于成本低、兼容性好、易扩展等原因,越来越多的研究者逐渐将目光投向到Wi-Fi指纹定位和基于惯性传感器的行人航位推算(PedestrianDeadReckoning,PDR)定位领域。Wi-Fi指纹定位利用无线接收信号强度符(Received Signal Strength Indication,RSSI)与位置进行匹配,其定位精度受限于RSSI的稳定性。在实际应用中RSSI易受环境改变的影响,波动性较大,因此定位精度不够稳定。PDR定位精度较高,其使用的传感器信息(如加速度计,陀螺仪等)不易受外界环境影响,但由于该方法是递推的,随着时间的累计容易产生漂移。单一模式的定位技术由于自身局限性,已经无法满足人们在复杂室内环境中的定位需求,采用多种定位技术融合定位已经成为定位领域的研究热点。为此,本文通过对相关文献的查阅和实地的实验和分析,进行了如下的研究工作:(1)在Wi-Fi网络环境中实地采集RSSI样本,经过数据分析,发现Wi-Fi信号与位置之间具备关联性,可以利用位置和指纹之间的匹配关系建立定位模型。但是由于W1-Fi信号强烈的波动性和冗余性,实现精度较高的Wi-Fi指纹定位仍是一个难题。为此,本文提出一种基于最大信息增益的改进主成分分析方法(Information Gain Pre-Processing based Principal Component Analysis,IG-PCA)进行数据预处理,降低RSSI的维度。在定位阶段,利用机器学习算法建立模型。经验证,该算法降低了算法复杂度,并提高了定位效率。(2)PDR定位包括三方面,即步长估计,步伐检测和航向推测,由于人的运动状态是实时变化的,简单的设阈值或者进行波峰检测无法应对运动状态的变化。因此,本文提出了一种自适应的PDR定位方法,可根据人的运动状态的变化适时调整,提高了 PDR算法的精度。由于单一模式下,Wi-Fi指纹定位和PDR定位都有一定的局限性,本文利用扩展卡尔曼滤波和无迹卡尔曼滤波进行融合定位。经检验,融合定位可以有效地进行优势互补,提高定位精度。(3)由于定位环境的复杂性,融合定位方法在极端条件下仍然缺乏稳定性。为了提高定位的稳定性,本文从定位场景本身出发,利用K-means聚类算法挖掘场景中具有独特数据标识的“地标”。通过地标识别和地标匹配,定位模型可以实现自我校正。经实验检验,该方法可以挖掘场景中的地标并对定位轨迹进行校正,提高了定位的精度和稳定性。