随着信息化社会的发展和智能手机的普及，人们对于位置服务 (Location Based Service，LBS) 的需求越来越大。尤其是室内场景中，因为室外定位主要依靠的 GNSS (Global Navigation Satellite System) 信号在室内不准确、误差大，出现了基于激光、雷达、WiFi、蓝牙、UWB、RFID、红外、图像等传感器数据的定位技术研究。在实际应用中，WiFi 类无线信号简单易获取，但是信号稀疏不稳定，图像特征丰富却易受到光照、纹理缺失、遮挡、视点变换等的影响，于是采用多传感器融合定位逐渐成为首选和共识。同时，随着人工智能技术的发展，深度学习的方法广泛应用于信号处理、图像分类等任务，基于深度学习的数据处理和特征描述得到越来越多的关注。本文针对基于深度学习的多传感器融合室内定位技术进行了研究，主要的贡献如下：

1. 构建了两个针对不同面积的包含多种数据的室内复杂场景定位的测试数据集。目前已有的公开数据集数据种类单一，本文使用智能手机采集的数据包含 WiFi、地磁和图像。其中 Indoor-Small 数据集采集自普通办公楼的一层，覆盖了320平方米，代表小型场地，其中包含280张图片、1400条 WiFi 数据和700条地磁数据记录。Indoor-Medium 数据集采集自北京市来福士中心商场的4和5层，覆盖了15368平方米，代表中型场地大小，其中包含429张图片、626条 WiFi 数据和626条地磁数据记录。

2. 针对无线信号存在的易缺失、不稳定、易干扰问题，以及视觉图像的光照变化、视角变化、遮挡等问题，提出了一种基于时序约束的融合 WiFi 和图像的室内定位方法。利用时序约束和数据特性设计网络结构，实现了基于行人轨迹的 WiFi 和图像融合室内定位。实验结果表明，本文提出的方法有效提高了室内定位的精度，与传统轨迹定位方法相比，定位精度提升了57%，稳定性提升了44%，与深度学习类轨迹定位方法相比，定位精度提升了26%，稳定性提升了15%。

3. 针对 WiFi 和图像融合定位中存在的模型稳定性问题，提出了一种融合地磁、WiFi 和图像的室内定位方法。通过引入信号表现稳定的地磁数据，并在网络模型中加入注意力机制，实现了灵活的单点式定位。实验结果表明，本文提出的方法可以有效利用多传感器的优势，提高了定位精度和系统稳定性。与本文提出的轨迹定位方法相比，定位精度提升了26%，稳定性提升了19%。在单点定位精度上，与传统单点定位方法相比，定位精度提升了47%，稳定性提升了6%，与相关深度学习类单点定位方法相比，定位精度提升了46%，稳定性提升了8%。在本文的两个测试场景上表现一致，具有高鲁棒性和泛化性。

4. 针对移动手机终端设计了一套融合无线信号和图像的室内定位流程和系统。定位流程分为离线阶段（采集数据和训练网络模型）和在线阶段（数据传输和实时定位）。定位系统主要包括移动客户端和远程服务器端。客户端负责获取数据和传输，以及定位结果的查询和显示，服务器负责进行网络模型的训练和实时定位结果的计算，并将定位结果返回客户端。该系统定位时间为200ms（其中数据传输170ms，定位计算30ms）。在 Indoor-Small 上轨迹定位精度为0.43米，标准差为0.29米，单点定位精度为1.38米，标准差为1.14米。在 Indoor-Medium 上轨迹定位精度为0.99米，标准差为0.54米，单点定位精度为5.09米，标准差为6.29米。