The widespread Internet of Things (IoT) technologies in day life indoor environments result in an enormous amount of daily generated data, which require reliable data analysis techniques to enable efficient exploitation of this data. The recent developments in deep learning (DL) have facilitated the processing and learning from the massive IoT data and learn essential features swiftly and professionally for a variety of IoT applications on smart indoor environments. This study surveys the recent literature on exploiting DL for different indoor IoT applications. We aim to give insights into how the DL approaches can be employed from various viewpoints to develop improved Indoor IoT applications in two distinct domains: indoor positioning/tracking and activity recognition. A primary target is to effortlessly amalgamate the two disciplines of IoT and DL, resultant in a broad range of innovative strategies in indoor IoT applications, such as health monitoring, smart home control, robotics, etc. Further, we have derived a thematic taxonomy from the comparative analysis of technical studies of the three beforementioned domains. Eventually, we proposed and discussed a set of matters, challenges, and some new directions in incorporating DL to improve the efficiency of indoor IoT applications, encouraging and stimulating additional advances in this auspicious research area.

日常生活室内环境中广泛使用的物联网 (IoT) 技术会产生大量日常生成的数据，这需要可靠的数据分析技术来有效利用这些数据。深度学习 (DL) 的最新发展促进了海量物联网数据的处理和学习，并快速专业地学习了智能室内环境中各种物联网应用的基本特征。本研究调查了有关将 DL 用于不同室内物联网应用的最新文献。我们旨在从不同的角度深入了解如何使用 DL 方法在两个不同的领域开发改进的室内物联网应用：室内定位/跟踪和活动识别。一个主要目标是毫不费力地合并物联网和深度学习这两个学科，从而在室内物联网应用中产生广泛的创新策略，例如健康监测、智能家居控制、机器人技术等。此外，我们从对上述三个领域的技术研究进行比较分析。最终，我们提出并讨论了一系列问题、挑战和一些新方向，将 DL 结合起来以提高室内物联网应用的效率，鼓励和刺激这一有利的研究领域取得更多进展。通过对上述三个领域的技术研究进行比较分析，我们得出了一个主题分类法。最终，我们提出并讨论了一系列问题、挑战和一些新方向，将 DL 结合起来以提高室内物联网应用的效率，鼓励和刺激这一有利的研究领域取得更多进展。通过对上述三个领域的技术研究进行比较分析，我们得出了一个主题分类法。最终，我们提出并讨论了一系列问题、挑战和一些新方向，将 DL 结合起来以提高室内物联网应用的效率，鼓励和刺激这一有利的研究领域取得更多进展。