近年来我国城市化进程持续加快,消费者市场对于基于位置的服务（Location Based Services,LBS）需求不断地提升。随着智能手机性能的不断提升,能检测到丰富的信号源的智能手机已经成为辅助行人定位导航的重要便携设备。本文分析了目前适用于智能手机的行人定位导航方法,同时研究了基于神经网络的误差修正模型,提高了行人导航在室内的导航定位性能。论文首先分析了基于智能手机的定位技术以及室内定位技术的国内外研究现状,结合长短期神经网络（Long Short-Term Memory,LSTM）设计了三种惯性误差修正模型,提高定位精度。针对当前惯性定位方法限制设备携带方式的问题,提出自适应的手机姿态识别及姿态转换判别算法。最后综合多姿态形成基于神经网络的定位导航方法。手机MEMS传感器低精度、性能不稳定。论文在利用Allan方差法对其进行误差特性进行分析的基础上,提出了针对经典的行人航位推算（Pedestrian Dead Reckoning,PDR）算法的一种自适应的步伐判断方法,可以适应行人不同的行走速度。同时论文对现有的三种航向解算方法进行对比,分析了三种方法应用于手持手机的行人定位导航情景下各自性能特点。其次,为实现半约束情况下的智能手机行人定位导航方法,本文研究了各种手机姿态下的传感器数据,并基于改进的聚类算法实现一种姿态识别方法。算法基于重力计数据通过映射模型融合聚类算法进行姿态识别,实时性较强,对于不同的用户人群都能保持较高识别准确率。人工智能领域的不断发展为导航技术研究提供了新的思路,本文以高精度动态捕捉系统以及差分GNSS数据为真值训练集,基于长短期记忆神经网络设计了三种惯性定位误差修正模型,包括:基于手机加速度计数据的位置增量预测模型,基于手机陀螺仪数据的航向增量预测模型,基于PDR计算结果以及手机加速度计和陀螺仪数据的位置预测模型。针对三种模型进行测试分析,取得了较好的导航定位精度。最后,本文以Android studio为平台,开发了实验数据采集与通信软件,实现了半物理实验平台,对论文提出的各项导航算法进行综合实验验证。