El número de estudios sobre el desarrollo de sistemas de posicionamiento en interiores ha aumentado recientemente debido a las crecientes demandas de los diversos servicios basados en la ubicación. Los sensores inerciales disponibles en teléfonos inteligentes comerciales juegan un papel importante en la localización y navegación en interiores debido a su alto rendimiento de localización precisa. En este estudio, los sensores inerciales de un teléfono inteligente, que generan patrones distintos para actividades físicas y unidades de acción (AU), se emplean para localizar un objetivo en un entorno interior. Estas AUs (como un giro a la izquierda, giro a la derecha, paso normal, paso corto o paso largo) ayudan a estimar con precisión la ubicación interior de un objetivo. Aprovechando algoritmos sofisticados de aprendizaje profundo, proponemos un enfoque novedoso para la navegación en interiores basado en memoria a corto y largo plazo (LSTM). El LSTM reconoce con precisión las actividades físicas y las AUs relacionadas extrayendo automáticamente las características eficientes de los patrones distintos de los datos de entrada. Los resultados del experimento muestran que el LSTM proporciona una mejora significativa en el rendimiento del posicionamiento en interiores a través de la tarea de reconocimiento. El sistema propuesto logra un mejor rendimiento de localización que el método de huella digital trivial, con un error promedio de 0,782 m en una zona interior de 128,6 m. Además, el sistema propuesto mostró un rendimiento robusto al excluir la actividad anormal de las actividades de peatones.