随着智能交通的应用发展,行人定位导航系统应运而生,而定位技术是定位导航系统的核心和基础。目前,室外定位系统发展完善,GPS卫星定位精准。但室内环境中由于墙壁遮挡,GPS信号较弱,无法应用于室内定位。因此,本文致力于研究低成本、高精度的室内定位技术。现如今,在主流的室内定位技术中,大多数定位技术都需要额外的定位基站或标签,定位成本较高。而基于智能手机的Wi-Fi定位和行人航位推算(Pedestrian Dead Reckoning,PDR)无需额外设备,易于推广和普及,但是,无论Wi-Fi还是PDR,单独定位源的定位精度有限。其中,Wi-Fi无线信号强度的不确定性以及信号传播的多路径效应,导致Wi-Fi定位精度和稳定性较差;而PDR又存在累积误差问题,无法长时间定位。随着智能手机传感器的功能日益增强,智能手机具有强大的行为感知能力。基于此,本文提出一种基于行为感知辅助的多源数据融合室内定位方法。具体研究内容如下。首先,研究一种基于深度学习的行为感知模型,主要使用手机传感器采集室内各种行为数据,包括静止、直行、转弯、楼梯、电梯和扶梯等行为。通过深度学习的TensorFlow框架和卷积神经网络训练行为感知模型,并移植到Android平台,实现在线行为识别。随后提出了行为感知辅助定位的主要功能,包括基于行为识别的位置推理以及协助定位参数自适应学习。然后,对Wi-Fi与PDR的定位方法提出一定改进,包括Wi-Fi定位自适应KNN方法以及PDR参数自适应学习过程。最后,提出融合定位模型,融合上述三种定位技术,实现多源数据融合定位。此外,本文提出的融合定位模型扩展性较强,在后续研究中可直接加入其它定位源。基于以上研究内容,本文以智能手机为终端、Android系统为平台,开发了基于融合定位算法的室内定位APP。在定位系统辅助下顺利完成实验数据的统计分析。实验结果证明融合定位算法定位平均精度高达1.3米,定位标准差约为0.75米,有效的提高了定位的精度和稳定性。此外,该方法在2018年11月国家科技部遥感中心举办的全国室内定位导航比赛中,获得“无额外设备辅助的智能手机定位”组冠军,验证了算法的有效性。