近些年来随着无线通信技术的快速发展和对定位需求的增加,促使室内定位研究成为当前研究热点,由此也产生了各种应用,例如医院医务人员或设备的位置检测,室内智能体育反馈系统,跟踪库存资产等。另外各种主流无线技术也被运用其中,包括Wi Fi,RFID,UWB(Ultra wide band,UWB)、蓝牙和Zig Bee等。UWB技术采用纳秒至微秒级的脉冲进行数据传输,因其具有时间分辨率高且在复杂多变的室内环境中能够表现出厘米级定位精度的优点,因此在室内定位环境中被广泛使用。然而,由于室内环境中因为涉及各种不同的材质,例如混凝土、玻璃、木材等,这些特性使得收发器之间没有清晰的视距(Line of sight,LOS)路径,信号只能通过障碍物反射到接收器,不可避免地引入了测量噪声和非视距(Non line of sight,NLOS)误差,NLOS的误差会使UWB室内定位系统的定位性能急剧下滑,尤其针对复杂定位环境而言,定位效果往往不理想。基于以上问题,本论文针对高精度的室内定位技术进行了研究。首先,采用了卡尔曼滤波算法对环境噪声进行滤波处理,通过仿真实验表明,该算法能够较好的减小测距过程中由于环境噪声对测距带来的误差影响。针对如何识别LOS/NLOS信道、减小测距误差,提高定位精度的问题,本文首先测试了传统的RSSI-distance的NLOS识别方法,通过实验发现该方法并不能有效的识别出LOS/NLOS。接着,本文提出了一个实用的、非硬件的LOS/NLOS识别方案,即利用UWB信道脉冲响应数据,通过卷积神经网络(Convolutional neural network,CNN)实现LOS/NLOS识别。根据已识别出的NLOS信道信息,在三基站和多基站不同的复杂环境下,分别使用了基于几何的和基于最小截平方与加权最小二乘法组合的缓解算法对NLOS误差进行缓解。最后,选择了研创物联有限公司的TREK1000 UWB实验装置进行实验,利用该装置在多种实场景下对数据进行收集,通过收集到的数据利用仿真软件平台将本文提出的LOS/NLOS识别、误差缓解算法与常用的定位算法的结果进行比较。实验结果表明,本文提出的方法对于LOS/NLOS的识别精度相对于传统方法得到了较好的提升,相应的误差缓解算法使标签定位精度也得到了有效的提高,进一步满足了室内定位的需求。