基于位置的服务（Location based service,LBS）在室内和室外都以它独特的魅力发挥着越来越重要的作用。在描述人类行为习惯时,人类的行走轨迹比单一位置更复杂。因此,基于位置和轨迹向用户呈现的基于跟踪的服务（Tracking based service,TBS）比LBS更精细,更加受到学者的青睐。随着科技的发展,越来越多的室内位置服务集中在智能终端上实现。以智能终端为平台的Wi-Fi定位技术逐渐成为室内位置服务的一个重要的发展方向。但单一室内轨迹跟踪方法在室内位置跟踪中通常具有局限性,而不同方法联合定位跟踪,可以有效提高跟踪精度。为了向用户提供更好的室内轨迹跟踪服务,本文在轨迹跟踪算法、设备成本以及跟踪精度方面进行了深入的探讨与研究。本文的主要工作如下:（1）针对目前室内行人轨迹跟踪方法鲁棒性低以及准确度低的问题,提出一种基于K最近邻（k-Nearest Neighbor,KNN）的室内人员轨迹跟踪方法。首先采集细粒度的信道状态信息（Channel State Information,CSI）数据,对采集好的数据进行特征提取、滤波、建立指纹数据库;在线阶段,将实时数据与离线数据库中的数据利用融合了卡尔曼滤波的KNN分类算法进行实时匹配,实现室内行人轨迹跟踪。（2）针对室内行人轨迹跟踪精度问题,提出了基于隐马尔科夫模型（Hidden Markov Model,HMM）的室内行人轨迹跟踪方法。首先,根据目标行走轨迹采集的CSI数据确定目标开始运动与结束运动的时间,然后根据速度方向估算模型确定运动方向,再根据速度大小估算模型确定运动速度并进行矫正从而得到准确的速度估计。最后结合隐马尔科夫模型来实现对行人的实时跟踪。（3）针对室内人员运动的连续性、复杂性而导致轨迹跟踪设备成本高,精度低的问题,提出了一种双模信号融合的方法,将智能手机中传感器信号与Wi-Fi采集的CSI信号相融合得到更为准确的跟踪结果。准确的初始位置是室内人员轨迹跟踪的关键一步,首先通过Wi-Fi采集的CSI信号进行数据预处理得到准确的初始位置,然后结合步行者航位推算（Pedestrian Dead Reckoning,PDR）算法来实现对行人的连续轨迹跟踪。