长期以来,运动轨迹检测的研究多依赖于外部观测实现,外部观测方式虽具备高精度的特性,但是体积庞大、成本高昂、环境约束的问题限制了其应用范围。而基于内部传感器的方法具有成本低、体积小、抗干扰等优点,符合当前主流需求。基于MEMS传感器和捷联惯性导航的运动物体姿态的研究成为了定位导航的热点问题,目前研究主要集中在姿态角的求解以及简单运动轨迹的检测。但在运动轨迹检测的研究中,普遍存在结果误差较大的问题。本文针对运动轨迹检测中误差的多样性进行了分析,主要有元件误差、随机误差和累积误差,本文对不同的误差都进行了处理。对于元件误差,本文采用了静置传感器,同时对多组数据求均值的方法,求解出零位偏移量,然后将该零位偏移从获取的数据中去除,从而获得更接近于原始数据的结果。对于随机误差,本文采用了基于双状态的Kalman滤波算法,将影响加速度、角速度数值的随机噪声去除,然后又采用基于Mahony互补滤波的角速度修正算法,利用归一化的加速度数据对角速度进行二次修正,使角速度数据更加准确。对于累积误差,本文提出了一种自适应的加速度补偿算法,对其先进行补偿,然后修正,使得运算的结果更佳准确,降低了累积误差的影响。本文将上述误差的处理设计在运动轨迹检测模型中,分别对智能手机和MPU9250传感器采集的数据进行了实验,所获得的轨迹比现有的方法更加精准。