为了解决在室内非视距(NLOS)定位场景中超宽带(UWB)技术性能不佳、航位推算(PDR)算法累积误差过大的问题，以及由环境因素引起的UWB性能下降的问题，提出了一种基于UWB误差预测而自适应系数调节的UWB/PDR融合定位算法。该算法创新地提出了利用支持向量机(SVM)回归模型对复杂环境中UWB定位误差进行预测，并以此为基础，为常规的扩展卡尔曼滤波(EKF)算法添加了自适应调节系数，以提高UWB/PDR的融合定位效果。实验结果表明，所提算法在复杂UWB环境中可以有效预测当前UWB定位误差水平，并通过自适应调整融合系数提高精度，使得较常规EKF算法在一般区域的定位误差降低了18.2%，在UWB精度较差的区域中的定位误差降低了48.7%，从而减小了环境对UWB性能的影响；在包含UWB的视距内(LOS)及NLOS的复杂场景中，通过融合定位算法，将定位每百米误差由米级降低至分米级，解决了NLOS场景中PDR 误差过大的问题。

针对在室内定位导航过程中单独依赖行人高度位移推测楼层位置误差较大的问题，提出一种基于贝叶斯网络的楼层定位算法。该算法先是利用扩展卡尔曼滤波（EKF）对惯性传感器数据和气压计数据进行融合，计算出行人垂直位移；然后利用误差补偿后的加速度积分特征对行人在楼梯中的转角进行检测；最后，利用贝叶斯网络融合行人行走高度和转角信息推测行人在某一层的概率，从而将行人定位在建筑物中最可能出现的楼层上。实验结果表明，与基于高度的楼层定位算法相比，所提算法的楼层定位准确率提升6.81%；与平台检测算法相比，该算法的楼层定位准确率提升14.51%；所提算法在总共1247次楼层变换实验中，楼层定位准确率达到99.36%。