室内定位是近十几年来最热门且最具有研究意义的课题之一。在众多的室内定位方法中,基于WiFi指纹的室内定位方法和基于惯性传感器的行人航位推算(Pedestrian Dead Reckoning,PDR)算法脱颖而出。这两种定位方法具有成本低,易于实现等优点,因此在室内定位领域受到广泛的关注,具有非常重要的研究价值。但是,利用WiFi指纹进行定位时,由于WiFi信号本身的特征,以及室内定位环境的复杂性和多径效应的干扰,用户在进行定位时定位点的位置会发生跳跃等问题。而基于惯导的PDR定位方法虽然在短时间内定位精度较高,但是该方法会存在误差随时间而累积的问题。本文分析了两种定位方法各自的优缺点,通过利用自适应扩展卡尔曼滤波器模型来融合WiFi和PDR的数据,以此来达到提升室内定位精度的目的。首先,在搭建WiFi指纹库时,利用了WiFi信号的接收信号强度(Received Signal Strength,RSS)服从高斯分布这一特点,将采集到的WiFi指纹数据在高斯滤波模型下进行预处理,以此来得到一个更加稳定的WiFi指纹数据库。在进行WiFi指纹定位时,为了获得更高的定位精度,提出了一种基于位置范围限定的WiFi-KNN室内定位方法,同时在计算欧式距离时加入了接收信号强度直方图的计算。最后通过对比实验验证了该新型方法能够降低定位误差。其次,深入研究分析了惯性导航定位的相关技术。在步频检测之前,利用Hamming窗滤波函数对采集到的行人三轴加速度数据进行预处理,然后根据预处理后的数据,利用自适应步态检测算法来检测行人运动的步数。在航向角的推算上,将磁力计的数据和陀螺仪的数据结合起来推算行人的航向角。在PDR算法的优化方面提出利用互补滤波和鲁棒的自适应卡尔曼滤融合的行人航位推算模型来实现行人位置推算,同时通过实验来证明该方法在定位的稳定性上优于传统的PDR方法。最后,为了解决WiFi定位时由于位置跳跃出现的误差和惯导定位时出现的累积误差等问题。本文利用自适应扩展卡尔曼滤波融合的定位算法,将WIFI与惯导器件的信息融合,该方法通过利用两者定位的优点,取长补短,从而获得更高精度的室内定位信息。通过实验对比论证,该融合算法在室内的定位精度能够满足预期的定位需求,且该方法相较于单一定位方法来说,定位的平均误差更小。