行人航迹推算(Pedestrian Dead Reckoning,PDR)在终端仅需借助惯性测量单元实现,被广泛应用于室内定位系统,由于PDR存在累积漂移,通常采用粒子滤波融合其它无线定位技术进行优化。PDR航向估计误差较大,大多室内无线定位技术采用位置指纹定位法,指纹库构建和维护工作量大。针对这些问题,本文提出一种基于空间划分的Landmarks(地标),对粒子滤波融合Landmarks的室内PDR定位系统展开了研究,本文的主要研究内容和工作包括以下几个方面:(1)基于联合滤波的PDR算法。根据陀螺仪、电子罗盘、加速度计各自的特点,采用联合滤波优化航向估计。首先对电子罗盘进行低通滤波,并对陀螺仪和加速度计进行互补滤波,然后将两滤波器的输出进行卡尔曼滤波计算行人航向角度。将改进的PDR与基于卡尔曼滤波的PDR进行比较,证明了改进算法定位精度更高。(2)基于空间划分的Landmarks和基于空间变换的Landmarks匹配方法。利用楼层平面图和密度峰值聚类算法将室内空间划分为分布比较均匀的多个区域,并且将相邻区域的连通点作为Landmarks。利用WIFI接收信号强度(Received Signal Strength,RSS)以区域为单位建立指纹库,并采用PN Learning改进的在线顺序极限学习机(Online Sequential Extreme Learning Machine,OS-ELM)构建分类模型,实现行人所处区域的识别。在线定位阶段,根据行人区域变换匹配Landmarks,优化PDR定位。将改进的ELM算法与SVM、随机森林、OS-ELM进行实验比较,证明了该算法在区域识别应用下的优越性。(3)基于BMO改进的粒子滤波算法(Bird Mating Optimization Particle Filter,BMO-PF)。将粒子划分为不同的类别,根据BMO算法原理,利用不同的组合策略更新粒子集,将粒子尽可能分布在后验概率密度大的区域,并且采用动态重采样(Dynamic Resampling,DR)保持了粒子的多样性。将提出的BMO-PF算法与Simple PF、PSO-PF、CS-PF进行对比,证明了该算法的有效性。采用改进的粒子滤波算法融合Landmarks优化PDR定位,与传统融合WLAN的PDR定位方法相比,减少了位置指纹库构建的工作量。最后进行了实验分析,实验结果表明改进后的定位方法平均定位误差1.8m,最大定位误差6.7m。