室内环境下,基于位置的服务（LBS）离不开室内定位技术。当今社会,高楼大厦遍布各地,室内3D定位愈来愈必要。WiFi（Wireless-Fidelity,WiFi）、蓝牙低功耗（Bluetooth Low Energy,BLE）等无线信号与智能手机的广泛普及,使得WiFi/BLE与行人航位推算（Pedestrian Dead Reckoning,PDR）等定位技术成为最基础和常用的室内定位手段,也是国内外关注的技术热点。基于无线信号和智能手机传感器的楼层识别与高度估计具有较大的应用价值与需求空间。但现实多楼层建筑中,格局不同、结构多变、无线热点（Access Points,APs）布设密度稀疏不一,使得无线信号的空间传播特性具有较大差异。现有基于无线信号的楼层识别方法大都有一定的条件要求,且普适性、精度和稳定性不够。基于气压的楼层识别或高度估计方法也有一些不足之处,如气压易随温湿度等的增降发生变化;基于参考基站的方法需额外布设并开发数据传输功能;不同智能手机的气压计型号不同需预先校准,部分手机气压计缺失等,均影响了气压方法的普适性。针对上述问题,基于WiFi/BLE无线信号和人体活动识别（Human Activity Recognition,HAR）对楼层识别及高度估计展开了深入研究。内容涵盖针对不同多楼层内部空间结构的无线信号楼层识别方法、基于智能手机传感器数据的HAR算法、基于HAR的楼层变更检测方案与高度估计方法等,主要研究成果如下:（1）基于无线信号楼层识别方法的理论基础,针对此类方法对室内空间结构普适性不高的问题,将多楼层室内空间的结构划分为全楼层层板结构和中庭空间结构两类,深入分析了两种空间结构中无线信号的空间分布特性。（2）针对多楼层内部全楼层层板结构,基于多数无线信号楼层识别方法对AP布设条件及环境变化的普适性较低的问题,提出了一种基于最优化理论、概率统计等理论的无线信号区间置信度楼层识别算法。选择大面积、AP布设密度稀疏不一的复杂多楼层场景展开试验,与“多数投票法”、K-means聚类、朴素贝叶斯分类法和K-近邻（KNN）等楼层识别算法相比,所提算法的楼层识别精度最高,且指纹采集工作量与指纹库数据量均最小。（3）针对多楼层中庭空间结构,基于现有无线信号楼层识别方法精度普遍较低的问题,提出了一种基于无线信号的自适应加权融合楼层识别算法。选择3个试验场,利用5秒定点静止和1秒实时动态2种运动模式进行测试,与决策树、支持向量机（SVM）、KNN、神经网络等分类算法相比,所提算法在3个试验场和2种运动模式下的楼层识别平均精度均最高。（4）针对气压方法普适性不高或现有基于HAR方法检测楼层变更的实时性不够等问题,提出了一种基于HAR与楼层地标参数相结合的楼层变更检测方案,其中HAR基于智能手机传感器数据与SVM分类算法实现。利用行人多次切换楼层的相关运动过程展开验证,并与基于无线信号和气压的楼层识别方法比较,均证明了所提方案的高精度、实时性和稳定性。（5）多径效应导致无线信号楼层识别方法稳定性不够,而楼层变更检测方法无法单独实现,故在复杂多楼层空间结构的环境中,提出了两种方法的融合方案。选择多空间混合试验场,利用多方法融合进行测试,验证了混合方案识别楼层的稳定性、高精度和普适性。（6）针对气压易随温湿度变化、智能手机气压计对亚米级高度不敏感等问题,提出了基于行人活动分类的亚米级室内高度估计方法。该方法利用楼层变更检测的过程数据、阶梯库和HAR结果,实现了高精度的高度估计。利用行人在多楼层建筑中的反复上下楼过程展开验证,在17米高度的试验场实现了亚米级的高度估计精度,且该方法无误差累积,不受环境影响,鲁棒性好。该论文有图63幅,表13个,参考文献179篇。