MEMS-IMU作为一种集成微机电系统与惯性测量技术的先进传感器，在惯性导航、运动控制、态势感知等领域展现出明显的优势。PDR技术作为一种基于MEMS-IMU的专门面向行人的导航定位方法，已经广泛应用于卫星导航信号不可用或无线网络覆盖不足的环境中。然而，由于惯性传感器受到漂移和噪声的影响，PDR系统或装置在使用过程中依旧面临定位精度低、稳定性差的挑战。因此，针对传统PDR方法中存在的定位精度不高、传感器误差累积严重以及算法适应性差等问题，本文开展了基于MEMS-IMU的PDR方法研究。具体工作如下：

（1）开展MEMS-IMU惯性数据采集方法研究，研制了一个基于MEMS-IMU的多通道惯性数据采集系统。通过设计硬件电路和驱动程序，实现了通道数、采样率灵活可控的惯性实验数据采集。同时，基于MATLAB Mobile结合通用智能手机实现了行人惯性数据和卫星导航定位参考数据的同步采集。

（2）提出了一种基于Sage-Husa自适应扩展卡尔曼滤波的PDR方法。通过频域和时域分析实现自适应步态检测；将陀螺仪与磁力计数据通过互补滤波器融合，提高航向角估计的稳定性；基于Sage-Husa自适应扩展卡尔曼滤波实现行人的运动轨迹估计，增强了PDR定位的稳定性和准确性。

（3）提出了一种基于增强型GRU网络结合扩展卡尔曼滤波的PDR方法。将深度学习与PDR技术相结合，通过增强型GRU网络结合MEMS-IMU数据实现定位准确性较高的运动轨迹估计，并进一步利用扩展卡尔曼滤波提升轨迹估计的准确性。

实验结果表明，本文研制的基于MEMS-IMU的多通道惯性数据采集系统能够以100 Hz的采样率对16个MEMS-IMU传感器的X、Y、Z轴惯性数据进行稳定采集。所提出的基于Sage-Husa自适应扩展卡尔曼滤波的PDR方法，基于自研MEMS-IMU多通道惯性数据采集系统测量数据的轨迹估计误差为0.36 m，基于MATLAB Mobile结合通用智能手机测量数据的轨迹估计误差为0.95 m，在PDR轨迹估计性能上优于传统方法。所提出的基于增强型GRU网络结合扩展卡尔曼滤波的PDR方法在轨迹估计时RMSE为0.846 m，相对于仅使用网络进行轨迹估计时，准确性提高了60.82%。上述研究和结论有望完善补充现有的PDR方法和技术，拓展导航定位领域的纵深度和覆盖面，为PDR系统研制提供理论和实践参考，为人们建立更加泛在、融合的导航和定位体系提供技术支持。