随着在室内场景中WiFi热点布置数量的增加以及智能手机普及率的提高,基于移动终端的定位技术受到广泛的关注。由于WiFi具有高速通信、低成本、覆盖范围大等优点,基于WiFi的定位应用比较广泛,具有代表性的定位算法为指纹定位。惯性测量定位主要是利用移动终端内置传感器进行位置估算,具有代表性的算法为行人航迹推算(Pedestrian Dead Reckoning,PDR)。但是WiFi指纹定位的稳定性较差、PDR定位需要待定位目标的初始位置而且容易产生累计误差。针对上述问题,提出了基于WiFi指纹和PDR的融合定位算法。一方面,PDR定位只依靠惯性传感器,可以提供比较稳定的定位结果,在一定程度上克服了WiFi指纹定位的稳定性问题;另一方面,指纹定位不仅可以为PDR定位提供初始位置坐标,而且可以修正PDR定位参数。本文首先对位置指纹定位中的学习型定位算法和匹配型定位算法进行了分析和比较。基于学习型定位算法的研究现状,指出了目前已有的基于机器学习的WiFi指纹定位算法的主要环节(聚类分块、核函数选择、参数设定、算法复杂度)存在的不足,并对其进行了重点的研究。针对学习型定位算法在数据库较大时,学习机的训练时间较长,而且对于小样本非线性回归的优势无法实现,严重影响了定位系统的实时性和定位精度;同时已有的机器学习算法核函数的选择受到限制且参数设定比较复杂,影响了定位模型训练的效果,比如支持向量回归法作为应用比较广泛的学习型定位算法,其核函数的选择受Mercer定理的限制,且需要设定惩罚因子,使得定位精度无法得到更好的提高。针对上述问题,本文提出了一种基于区域锁定和相关向量回归的双段式定位算法,该算法不仅解决了数据库庞大的问题,而且可以达到更优的样本训练效果,实验表明其定位精度明显高于支持向量回归法。针对PDR算法中传统的步长估算模型无法适应不同的行走状态以及由于手机传感器易受外界干扰导致的航向角估算误差大的问题,提出了改进的步长模型和微航向角融合估算算法,并通过实验验证出本文的步长模型在多个行走速度下估算精度都比较高,航向角估算算法可以更好的提高行人运动方向测量的准确率。最后,本文采用一种新的融合方式,同时通过大量的实验对融合定位算法进行了实验分析,并与二者单独进行定位的算法进行了比较。实验表明,融合定位算法不仅可以提高定位的精度以及定位系统的鲁棒性,而且可以提高定位系统的实时性。