随着现代社会人们进行室内活动所需要的时间不断提高,人们对位置服务的需求也不断增加。由于房屋建筑等障碍物的阻挡,室内环境的复杂多变等各种方面的影响导致了卫星信号不能够支持室内的定位要求,因此不依赖外部信号的行人航迹推算定位技术已经受到广泛关注和研究。行人航迹推算定位技术不再依靠外部设备提供支持,仅仅依赖自身的惯性传感器采集得到的数据,因此很大程度地改善了室内位置服务的服务质量。本文的主要工作内容是针对行人航迹推算定位技术中的步长估计和航向角估计进行了改进。本文首先将深度学习方法引入到步长估计中,提出了两种基于循环神经网络的步长估计算法,一个是基于单步历史数据的循环神经网络模型,另一个是基于多步历史数据的循环神经网络模型。通过实验表明,这两个模型的平均误差均小于传统估计算法。充分说明了深度学习模型在步长估计中具有一定的优越性。在航向角估计方面,本文提出了角度修正算法,该算法是针对传统航向角估计算法的改进。在角度修正算法中,本文首先通过深度学习方法训练一个航向角变化值分类器,然后以该分类器的分类结果作为扩展卡尔曼滤波过程中的新息进行迭代,得到当前航向角的后验估计。通过实验表明,角度修正算法能够有效地解决航向角估计值偏小的问题,从而减少估计误差。该算法不依赖外部观测量,而是利用深度神经网络拟合自身数据为系统提供额外信息。该方法解决了非脚踏式行人航迹推算系统无法有效寻找观测量的问题。最后,本文结合改进后的步长估计和航向角估计进行了室内惯性定位的综合实验,该实验设置了三组对照实验,从多个方面分析了基于循环神经网络的步长估计算法和角度修正算法。该实验表明了改进后的行人航迹推算方法能够提高行人位置估计的精度。本文将深度学习方法和行人航迹推算定位技术有机地结合起来,有效地减少了行人航迹推算的定位误差。