2020年是中国全面建成小康社会的一年,随着经济的发展和城市化的推进,我国汽车保有量快速增长,这一趋势直接造成了在城市中的停车难问题。在城市的商业密集地带,车主想要找到一个车位往往需要花费大量时间。尽管配套的大型商业停车场显著缓解了该问题,却带来了另一个新的问题,即寻车难。由于停车场面积过大,停放密度过高,加之内部结构的高度相似性以及车主对环境不熟悉,以致难以辨别方向。本文从实际问题出发,结合大型停车场内部环境的特性和当前技术发展的趋势,提出基于深度神经网络的大型停车场反向寻车惯性导航系统。本文的主要工作如下:（1）本文对传统惯性导航方法进行深入分析,创造性地提出基于深度神经网络和无监督学习的改进窗口分割法。为解决传统零速检测方法的缺陷,受最大期望算法的启发,本文提出利用两套双向GRU神经网络进行互补,前者根据运动状态对检测阈值进行动态调整,将原始数据逐步分割为多个弱相关的窗口,后者估计每个窗口内的极向量以追踪运动轨迹。（2）考虑到WiFi信号在室内环境中传播的复杂性,本文提出基于核密度估计的WiFi指纹定位法,并将其通过扩展卡尔曼滤波与惯性导航进行融合定位以提高定位性能。（3）本文对反向寻车系统进行了系统分析和流程设计,以App的形式在Android平台上进行实现,并进行了一定的测试和分析。实验结果表明本文系统实现了零速检测阈值的动态调整,大幅提高了检测精度,能够生成准确、稳定的运动轨迹,成功将车主导航至车辆附近,证实了系统的有效性。相较于参考模型IONet,本文模型在转弯和陌生环境下的表现更佳。本文提出的反向寻车系统无需对环境进行额外改造,且易于使用,对实际问题的解决和现代停车场的智能化均具有一定的意义。