近年来,室内定位技术得到了广泛的应用,超宽带(Ultra-wideband,UWB)凭借其独特的优势,在室内定位领域脱颖而出。但是在复杂的室内环境中,信号传播易受到非视距(Non Line of Sight,NLOS)障碍物遮挡,产生NLOS误差。本文采用了PCA-FCM模糊聚类的障碍物识别方法、LS-MSE算法优化基站布置、FCM-KNN算法对定位误差进行补偿,解决了NLOS信道识别和复杂室内环境定位精度低的问题。主要工作如下:(1)针对传统NLOS障碍物识别方法,识别率低以及需要具体考虑应用场景等问题,提出了一种基于PCA-FCM的模糊聚类的识别方法,达到92%的识别率。首先,根据视距(Line of Sight,LOS)信号与非视距信号之间的差异,选取了信号强度、平均过量时延等6个信道特征参数;其次,鉴于主成分分析(Principal Components Analysis,PCA)模型在特征提取方面的优势,用PCA模型对特征参数进行降维处理;最后,用模糊C均值(Fuzzy C-Means,FCM)算法对降维之后的目标函数进行优化,得到聚类中心的隶属度,从而提高NLOS信号识别率。(2)针对传统基站布置算法未考虑障碍物等问题,提出了一种基于最小二乘(Least Square,LS)与均方误差(Mean Squared Error,MSE)的基站布置算法,以提高定位精度。首先,基站通过PCA-FCM识别算法有效地避开障碍物;其次,使用线性LS进行基站连接;然后,计算基站与标签之间的MSE值;最后,选择MSE值较小的点作为基站布置点。结果表明,该算法在较少的基站情况下,MSE值小于0.5m~2,有效地提高了定位精度。(3)针对传统KNN(K-Nearest Neighbor,KNN)定位算法的测量值波动较大,造成定位精度不精确等问题,提出了一种FCM与KNN相结合的误差补偿定位算法,并通过实验进行验证。首先,将室内环境划分为网格区域,收集每个点的RSSI,建立离线数据库;其次,为防止标签无法检测到每一个基站的信号,构建动态数据库;然后,使用KNN算法比较每个RSSI对应的动态数据库,并且初步得m个位置点;最后,采用FCM算法对m个位置点进行聚类,取平均值得到最终定位坐标。实验表明,与传统KNN算法相比,本文提出的定位算法精度更高。该论文有图27幅,表10个,参考文献80篇。