随着时代的发展,对室内定位的精度和稳定性的要求越来越高。视觉定位尽管能够获取丰富的室内信息,但只使用单摄像头定位时,快速移动很容易导致跟踪失败,产生累积误差。而超宽带（UWB）定位以其高分辨率和抗多径的特点,已经得到了广泛的应用,并成为了室内定位技术的突出代表。然而,由于室内空间的复杂性,由各种障碍物引起的非视距状态（NLOS）会严重影响超宽带定位的精度。解决非视距误差已成为提高UWB定位精度的关键问题。论文在对视觉和UWB定位技术进行深入分析的基础上,研究融合RGBD定位和UWB定位优点的算法来提高非视距下定位精度。具体研究内容如下:（1）针对室内传感器定位存在的非视距误差、累计误差以及定位精度低等问题,论文首先提出一种基于残差的无迹卡尔曼滤波（UKF）融合模型,通过RGBD摄像头和UWB两种传感器分别获取相应的数据流,而后利用超宽带测量数据与模型预测的残差值调整融合模型中的观测值,并利用UKF进行融合以实现室内非视距状态下的定位。（2）针对残差法难以精准识别UWB定位中单基站的非视距情况进而导致复杂环境中融合定位误差偏大的问题,论文基于信道冲激响应（CIR）特征集,采用随机森林方法识别基站是否处于非视距状态。然后对视距和非视距分别采用不同的融合策略来实现精准定位,从根本上解决非视距对定位误差的影响。实验结果表明,论文所提出的随机森林方法识别NLOS准确率较高。（3）最后,论文分别建立了视距和非视距实验环境,并利用移动小车实现RGBD和UWB数据采集以验证论文算法的定位效果。实验结果表明,基于CIR的NLOS识别模型的融合定位方法可以克服视觉定位的累积误差,并能有效抑制超宽带的非视距误差,在室内环境中具有较高定位精度。