煤炭作为我国主要的生产生活能源,煤炭行业的发展直接关系到整个国家的经济发展。由于煤炭行业工作环境复杂且恶劣,安全问题一直影响着煤炭产业的发展,我国煤矿生产整体向智能化阶段过渡,5G新技术将推动煤炭产业加速走向智能化。随着智能煤矿建设进程加快,井下矿难救援、危险区域预警等实现矿井人员精准定位对于保障井下人员的生命安全具有重要意义。为实现井下人员精准定位,本文以智能手机为平台,充分利用煤矿井下Wi-Fi基站以及智能手机惯性传感器,提出了井下PDR/Wi-Fi多源融合定位算法,主要研究内容如下:（1）提出一种基于降噪自编码器的航向估计算法本文针对煤矿井下智能手机陀螺仪解算航向角存在较大累积误差这一问题,提出一种基于降噪自编码器的航向估计算法,该算法由卡尔曼滤波融合航向解算和旨在消除原始惯性传感器数据噪声的降噪自动编码器组成,通过训练降噪自编码器对井下惯性传感器数据进行降噪处理,并利用卡尔曼滤波融合陀螺仪积分航向解算和九轴传感器航向解算,得到矿工运动的航向角。在鄂尔多斯高头窑煤矿采集矿工运动数据,试验结果表明,在强磁场复杂矿井下,本文算法较九轴传感器航向解算有较强的抗干扰能力,满足井下人员PDR航向估计需求。（2）提出一种基于LSTM个性化步长估计的井下人员定位PDR算法本文针对煤矿井下工作人员航位推算技术进行研究,首先离线训练井下人员个性化步长估计LSTM模型,其次在线阶段通过矿用本安智能手机实时采集加速度、陀螺仪、地磁等矿工运动数据,分别采用步伐检测算法、个性化步长估计模型获得矿工运动步伐及每一步的步长,结合KF-DAE航向估计算法获得航向角,最后根据PDR算法预测矿工当前位置。在井下真实环境进行试验,结果表明,本文提出的基于LSTM个性化步长估计的PDR算法对井下矿工运动中的步伐检测精度为96.5%、步长估计精度为90%,均满足井下矿工PDR定位算法的精度要求,基于LSTM个性化步长估计的PDR算法对井下真实环境的定位相对误差为2.33%,有效提高了井下矿工定位精度,满足井下定位导航的需求。（3）提出一种基于CNN-LSTM矿工行为识别分类模型针对矿工在使用智能手机时的运动模式和姿态多变,导致单一模式下的航位推算定位结果并不理想的问题,提出了一种CNN-LSTM分类模型对井下人员日常行为进行分类和识别。首先通过智能手机采集矿工工作状态下的加速度、陀螺仪惯性数据,然后对数据预处理和特征提取,最后使用CNN-LSTM模型进行井下人员日常行为分类。试验结果表明,本文提出的CNN-LSTM分类模型对矿工行为模式识别在测试集准确率为92.56%,根据分类结果排除静止时通话等晃动对定位的干扰行为,辅助PDR定位算法更新矿工位置,以此来提高PDR定位算法的抗干扰性和实用性。（4）提出一种基于扩展卡尔曼滤波的PDR/Wi-Fi多源融合定位算法本文针对煤矿井下复杂环境,PDR定位和Wi-Fi指纹定位两种算法均存在一定的局限性,单一定位算法无法对井下人员实现高精度定位,提出了一种基于扩展卡尔曼滤波的PDR/Wi-Fi多源融合定位算法。试验结果表明,基于EKF的PDR/Wi-Fi多源融合定位算法利用Wi-Fi指纹定位结果矫正了PDR定位算法的偏移,定位轨迹基本反映了试验者真实的行走路线,获得了高精度稳定连续的定位结果。