近年来,室内定位问题已成为国内外相关领域研究人员越来越感兴趣的研究内容,对定位精度的要求也越来越高。目前,由于城市中大多数建筑物都是多层建筑,而先前对许多室内定位的有关问题研究多基于建筑物的单层定位。要实现多层建筑的室内定位,关键是要对定位问题中的楼层变化进行检测。为了解决这一检测问题,实现多层建筑的室内定位以及多层建筑物的轨迹融合,可利用基于手机惯性传感器数据的运动状态识别来分类识别用户的各种室内运动状态进而检测楼层的变化。因此,如何基于高效的机器学习算法对室内运动状态进行识别,进而提高多层室内定位精度已成为大家关注和研究的热点问题。针对人体运动状态识别(HAR,Human activity recognition)问题,目前国内外主要有两个研究方向:基于视觉的运动状态识别(Vision-based activity recognition)和基于传感器的运动状态识别(Sensor-based activity recognition)。与基于视觉的运动状态识别相比,基于传感器的运动状态识别因其基本不依赖外部环境和较少的涉及隐私问题,近年来获得了业界广泛的关注,学界对此进行了大量的研究。此外,随着信息时代的到来,智能手机在人们的日常生活中扮演着重要的角色,智能手机里集成了各种嵌入式传感器,可以使用这些嵌入式传感器进行运动状态识别。基于智能手机传感器的人体运动状态识别相比先前广泛研究的应用可穿戴式传感器设备进行运动状态识别来说,它不用在人的身体某些部位放置额外的设备,使人体运动更加灵活和自然。先前的研究表明,目前尚没有对室内运动状态识别提供一个全面的分析结果,也没有提供高效、强大的机器学习算法来实现多层建筑的室内定位。此外,由于传感器的类型和所提取的特征与所分析的运动状态高度相关,所以需要对其进行深入研究以提高识别精度。如何提供一个强大高效的特征分类算法以及优化各种可能影响识别性能的参数是目前运动状态识别领域中必须考虑的问题。本文围绕基于智能手机传感器的人体运动状态识别问题进行了深入的研究,主要工作如下:1)提出了一个基于XGBoost的室内运动状态识别系统,该系统可以识别五种与室内定位相关的运动状态:步行,静止,爬楼梯,自动扶梯和乘电梯。系统的输入是由40名志愿者产生的数据集,我们对室内运动状态识别性能进行了全面分析,将XGBoost算法和其余五种目前广泛应用的机器学习算法进行了比较,从准确性和计算成本两方面考虑,我们提出的基于XGBoost的室内运动状态识别算法优于其它的集成学习分类器和单分类器,其平均识别的F值可达84.41%。2)研究了影响室内运动状态识别性能的若干因素。为了提高识别准确率,研究了相关的传感器组合和提取的特征对识别结果的影响,尤其是频域和小波域中的某些特征。研究结果表明,气压计传感器数据以及在频域和小波域中引入的某些特征可以显著提高识别精度。另外,本文还研究了数据集容量和不同的智能手机放置位置对识别结果的影响。我们发现,较少的对象可能会产生过拟合问题;在识别中,考虑到智能手机在人体上的位置情况,其放置的最佳位置是在裤子口袋中。此外,本文应用了一个开源数据集来验证论文中提出的识别系统的可扩展性,使用该开源数据集XGBoost分类器的识别F值达到了84.19%,同样优于其它分类器算法。