随着智慧城市的建设以及互联网技术的发展,人们对于位置服务中的定位精度和实用性的要求越来越高。卫星导航系统(GNSS)的完善已经能够满足用户室外环境的定位需求,如何向用户提供复杂室内环境下的位置信息已成为定位导航行业研究的热点。基于运动传感器的行人航位推算技术(PDR)是当今复杂室内环境下定位与导航必不可少的一种技术。步态检测作为PDR过程中的重要的一个步骤,其步数检测的准确度以及步长估计的可靠性直接影响着整个系统的定位精度。基于此,本文以普通智能手机惯性测量单元(IMU)为研究对象,做了以下研究:1.分析了智能手机惯性传感器的性能,针对其精度低、噪声大的问题,提出了一种基于加权移动平均滤波和卡尔曼滤波的融合降噪算法,提高了步数检测的可靠性。2.剖析了行人不同运动模式以及手机不同携带位置下的加速度波形特征,确定了不同状态下的步数检测算法,得到了对应的步数检测最佳参数,提高了步数检测精度。通过检测行人行进的实时步频,建立了基于实时步频的步长估计模型。3.比较分析了行人不同运动模式下的惯性信号特征,提出了基于加速度信号阈值和窗口标准差的行人静止/运动状态区分方法,将静止/运动的检测偏差控制在2%以内。分析了行人行进时的实时步频,提出了基于实时步频的行人运动模式的识别方法,慢走、正常走、快走三种模式的区分误差控制在5%以内。4.分析了手机在不同携带位置时行人行进的惯性信号特性,利用统计学算法提取信号的时域特征构成特征矩阵;使用主成分分析算法选择最能反映手机携带位置的特征;研究随机森林算法对选择特征的训练建模过程,得到模型对手机携带位置的区分精度达99%。加入位置识别算法后,步数检测精度比未进行位置识别前提高了 6.89%,距离估算精度提高了 7.65%。5.采用经验模态分解方法提取行人出现后退状态时惯性信号的时频特征,使用最大相关最小冗余算法选择最能反映行人运动状态的特征数据;采用支持向量机对选择的特征训练建模,模型对行人前进/后退状态区分精度达96%。加入行人后退状态识别算法后,行人行进距离的估算精度提高了 26.06%。