近年来,随着现代化进程的发展,大众对于室内位置服务的关注程度越来越高,新的室内定位技术也不断涌现。但适合智能手机平台的定位方法却十分有限,基于惯性传感器的行人航迹推算(PDR)方法和基于接收信号强度指示(RSSI)的位置指纹定位算法,凭借着易实现、成本低、对外界依赖性小等诸多优点,已经引起了人们的关注。基于RSSI的位置指纹定位可以获取绝对位置信息,且不存在累积误差,但易受到外界环境的影响,而PDR定位不受环境的影响,但长时间工作会产生累积误差。鉴于此,我们在智能手机平台上,获取这两种定位方法得到的定位信息,然后利用扩展卡尔曼滤波算法进行融合,使二者优势互补,以改善定位的稳定性,提高定位的精度。本文的主要研究内容如下:(1)针对在室内磁干扰环境下,现有航向估计方法存在较大累积误差的问题,提出了一种基于智能手机传感器的行人航向修正算法:在传统互补滤波基础上,加入PI调节器,并且以陀螺仪输出的角速度数据为依据,实时调节PI调节器的误差补偿系数,然后对预处理后加速度计和磁力计数据解算的航向角进行补偿,并与陀螺仪数据互补滤波融合,得到融合后更为精确的航向角。实验结果表明,在室内磁干扰较强的环境下,改进算法与传统互补滤波算法、九轴数据融合算法相比平均航向误差分别减小了 3.4°和1.8°,定位精度分别提升了 68.4%和65.9%,验证了本算法对于磁干扰较强的环境也有很好的适用性,能在一定程度上提高行人航向角解算的可靠性。(2)在分析现有基于RSSI的位置指纹定位在线匹配算法的基础上,从筛选最优参考点的角度出发,探究了在线匹配算法的改进:离线阶段,通过模糊c均值聚类(FCM)算法进行定位区域划分,生成聚类指纹库。在线阶段,首先进行区域定位,然后在动态k值加权邻近法(EWKNN)动态选择κ值基础上,根据待测点和选定区域内参考点的局域网(MAC)地址序列进行匹配,只信任最强的无线接入点(AP),进一步剔除较为偏远的参考点,从而筛选出k个中最优的参考点。设计了实验并进行了精度分析,实验结果显示改进匹配算法在平均定位误差、最大误差、误差累计概率方面与EWKNN算法相比都有所改善和提升。(3)在以上两种定位方法改进的基础上通过扩展卡尔曼滤波算法进行融合定位,与经典扩展卡尔曼滤波算法对于整个定位系统从开始至结束持续进行融合不同,我们在试验场的某些特殊位置(拐角、大型服务器机房等定位不理想的地方)加以校正处理,来提高融合定位的精度。设计实验并进行了精度分析,实验结果表明,本文方法的最大定位误差在经典扩展卡尔曼滤波方法的基础上下降了 39.7%,并且定位误差在1.5m以内的可信度有较大的提升,能够在一定程度上获取行人更为精确的位置信息。