近年来,基于位置的服务(Location Based Services,LBS)一直占据着研究的热点。室外定位中,在GNSS的强大背景下,各种基于位置服务的应用运应而生,为人们的出行带来了便利。虽然GNSS在室外发挥着得天独厚的优势,但是其信号极易受到高楼大厦、茂密枝叶等影响产生多径效应,致使定位精度急剧下降,在这些地方以及室内所产生的定位误差极大,无法达到定位效果。而人们工作生活大部分时间都在室内,因此寻求一种同样高精度的室内定位技术尤为重要。本文通过对现有的室内定位技术分析和研究,结合智能移动设备和相关机器学习算法作为研究方向,针对现有的PDR技术所固有的缺陷,即累积误差造成精度下降的问题进行改善,以及针对行人在室内活动的日常行为进行数据分析,提出了一种基于CNN活动识别辅助PDR室内定位的方法。具体内容包括:(1)研究了基于CNN活动识别算法。对行人步行,左拐,右拐等日常活动进行数据分析,并建立基于CNN活动识别模型,实现了对行人这三种日常活动的识别。(2)对CNN活动识别模型的启动算法进行了研究。通过分析信号强度误差变化,得出信号强度变化阈值,并检测各个特征点处的AP信号强度,建立特征点指纹库,据此提出一种特征点指纹算法,实现了PDR定位和CNN活动识别的切换。(3)对基于CNN活动识别辅助PDR定位算法进行系统设计。该系统分成移动端和服务器端,在移动端实现了用户的交互,定位结果输出,而服务器端则主要进行数据分析,数据预处理,CNN活动识别模型的创建以及定位操作。(4)对传感器采集数据降噪算法进行了对比研究。对行人在运动过程中,智能移动设备传感器采集到的数据进行降噪处理,分别通过多种降噪方法对数据进行降噪,比较得出效果最好的降噪方法,并用于数据降噪。最后,通过实验表明,本文提出的CNN活动识别辅助PDR定位算法,在特征点处有较好的误差校正效果,具备较高的室内定位精度,同时降低了PDR定位的累积误差,在实用性和定位性能方面满足室内定位的高可用、高精度的需求。