在现代商业、医疗、生活等领域中,人们对室内位置的需求量不断增加,传统的室内定位技术存在成本高,精度低等问题。地图数据是一种可以约束行人轨迹的数据,融合地图信息的室内定位方法可以达到低成本,高精度的定位效果。本文立足于惯性导航技术,结合深度学习和强化学习,将惯导数据与地图数据进行融合,提出了基于深度学习的地图匹配算法,以及基于深度强化学习的地图匹配算法。首先,本文研究了惯导与地图进行融合的方法,针对传统地图匹配方法中需要人工提取地图特征的问题,提出了基于深度学习的自动地图匹配算法。深度学习是一种基于大量数据的表征学习方法。基于真实环境下的数据集,本文搭建了三组深度学习模型实现地图匹配,分别是CNN模型、RNN模型和CRNN模型。在研究过程中,我们通过惯导设备收集了567组数据,经数据增强,整理得到了带标签的训练数据集。对比分析单纯利用惯导进行定位的方法,本文三种模型的定位误差分别降低了59.9%、52.4%和64.9%。实验表明,本文中提出的基于深度学习模型的地图匹配的方法,实现了地图与惯导数据的融合,满足室内定位精度要求。随后,本文针对传统地图匹配算法中出现的局部最优问题,利用行人惯导数据的时序特性,提出了一种基于深度强化学习的地图匹配算法。该算法以深度强化学习网络为基本框架,将地图匹配的过程设计成一个马尔可夫决策过程,针对地图和惯导数据,对深度强化学习中的地图切割模块、动作空间模块、状态空间模块、奖励空间模块进行设计。其后以编码和解码的方式完成地图数据到定位坐标数据间的转换,完成匹配轨迹。在模型优化阶段,本研究还针对编码地图大小和像素团大小进行了对比实验,分析了在不同条件下模型完成地图匹配的效果。对比单纯利用惯导定位的IMU模型,深度强化学习模型的定位误差降低了71.4%,避免了定位轨迹出现穿墙现象。实验表明,本文提出的基于深度强化学习的地图匹配的方法能够取得全局最优的地图匹配效果。本文将深度学习和强化学习运用到地图匹配当中,基于真实数据完成各个模型的训练和测试,验证了基于深度学习的地图匹配算法和基于深度强化学习的地图匹配算法在室内定位的良好性能。