基于室内位置服务的人员定位、安全救援、广告精准投放等拥有巨大的应用价值。成熟.的GPS定位服务,由于卫星信号在穿透建筑物时衰减严重,所以无法提供可靠的室内位置服务。为了解决室内位置服务的问题,研究者们提出了多种不同的室内定位技术。本文研究了国内外现有的室内定位技术,以及分析了室内定位服务无法普及的原因后,围绕Wi-Fi指纹定位和惯性定位实现的关键技术展开研究工作。重点包含基于梯度提升算法(Gradient Boosting Decision Tree,GBDT)的 Wi-Fi 位置指纹定位实现、基于随机森林(Random Forest,RF)的定位误差修正模型的实现、基于Android手机惯性传感器的行人轨迹推算(Pedestrian Dead Reckoning,PDR)定位实现以及两种定位方法融合定位的实现,主要研究重点如下:本文采用GBDT算法来改善指纹匹配定位模型的定位性能,使用离线阶段采集的数据作为GBDT算法的训练输入,建立在线定位模型。之后,针对室内环境变化引起的定位模型精度降低问题,设计了基于RF的定位误差修正模型,模型首先利用GBDT定位模型预测当前环境下的位置坐标,计算预测坐标与真实坐标在x,y方向上的误差,然后将误差和接收信号强度作为RF的训练输入,建立信号强度和误差的非线性回归模型。定位时,利用训练好的RF模型预测定位误差,然后对GBDT定位模型预测的定位坐标进行修正,得到最终的定位结果。针对传统峰值法,在步态发生变化时,检测精度降低的问题,提出了改进的步态检测模型,利用设定的时间阈值和振幅阈值对加速度数据的波峰和波谷提出多条件的约束检测。之后对步长估算和航向角检测进行了分析,并对基于Android手机的PDR定位进行了验证。最后针对Wi-Fi定位轨迹连续性差,扎堆、跳跃现象明显和PDR定位无法消除累计误差的问题,设计了两种Wi-Fi和PDR融合定位的模型,一是基于扩展卡尔曼滤波的融合定位模型,二是基于条件判定的融合定位模型。实验表明,融合定位模型能够有效改善两者单独定位时存在的问题。