基于位置信息服务(Location Based Service,LBS)技术已经被广泛应用在导航、救援以及定位追踪等领域。由于室内环境复杂易变,无法很好感知卫星信号,GPS定位难以满足人们的定位需求,国内外学者提出多种室内定位技术如红外线定位、超声波定位、RFID定位、WIFI定位,移动传感器定位等,这些技术取得较好的定位效果,但普遍存在各自的局限性,难以实现大规模推广应用。本文针对移动智能手机内嵌的多种传感器(加速度计、陀螺仪以及磁力计等)实现行人航位推算(Pedestrian Dead Reckoning,PDR)存在的传感器漂移、累计误差等问题,展开研究工作,具体研究为以下三个方面:(1)BP神经网络模型预测移动距离。传统PDR技术通过行人步数检测、步长估计来实现行人移动距离计算,步骤繁琐,容易出现检测和计算误差。本文引入BP神经网络模型,利用大量数据对模型进行训练和测试,实现较好的预测效果,从而有效减少传统PDR技术计算移动距离带来的计算误差。(2)设计一种微航向角融合算法。行人行走方向可以通过陀螺仪和磁力计计算得到,由于传感器自身测量不精确性和环境的干扰,单一传感器计算角度具有较大的累积误差。因此,本文提出了一种微航向角融合算法,通过将行人行走过程划分四类微场景,利用三种微航向角进行分类加权融合获得行走航向角,有效降低传感器的累积误差。(3)行人室内位置追踪。通过行人移动距离和航向角,实现位置追踪。本文一共测试16个人,实验结果表明,相对于使用单一的陀螺仪或磁力计计算方向角,定位误差保持在1~4m范围内,PDR(BP+陀螺仪)方法有7个人。PDR(BP+磁力计)方法仅有4个人。提出的定位方法PDR(BP+微航向角融合)结果有12个人的,占总人数的75%,其中,最好的定位误差仅有2.16m,表明提出的定位方法能够有效降低误差累积影响。