随着人们对生产生活中个人位置越来越关注,室内定位技术已成为导航定位领域的热点之一。卫星导航技术在室外定位领域已经获得了广泛应用,但由于卫星信号易受建筑物的遮挡,其并不适用于室内定位。超宽带（Ultra wide band,UWB）具有传输速率高、功耗低、穿透能力强等优点,但是其信号传播易受非视距（Non line of sight,NLOS）的影响;基于惯性测量单元（Inertial measurement unit,IMU）的定位方法具有不受外界信息影响、全天候、自主定位等优点,但由于误差累积导致其不适合长时间定位,UWB/IMU组合定位已成为了室内定位领域的研究热点之一。本文针对UWB/IMU组合的高精度、高可靠、可持续的定位方法进行研究。首先,搭建UWB/IMU组合定位实验数据采集系统,选用UWB-mini3S超宽带模块测量移动目标和基站间的距离,采用WT901C惯性测量单元测量载体的加速度和旋转角速度,为定位算法实验提供数据源。其次,研究UWB定位和IMU定位的原理,鉴于行人航迹推算法（Pedestrian dead reckoning,PDR）计算量小,实现简单等特点,采用基于IMU的PDR定位方法和UWB进行组合。对UWB单独定位和IMU单独定位方法的性能进行分析,为UWB/IMU的数据融合奠定基础。第三,推导UWB/IMU组合定位系统的状态空间模型,提出一种基于抗差自适应SRCKF（Robust adaptive square root cubature Kalman filter,RA-SRCKF）的UWB/IMU组合定位数据融合算法。该算法采用改进的Sage-Husa方法估计量测噪声协方差矩阵,适应量测噪声统计特性的变化;采用抗差估计方法修正量测噪声协方差,抑制异常量测值的不良影响。实验结果表明,RA-SRCKF算法比SRCKF具有更高的精度和稳定性。第四,针对UWB测距失效情况下的组合系统持续定位问题,提出一种机器学习辅助的UWB/IMU组合定位方案。在UWB测距有效的情况下,采用加速度、步长、航向、RA-SRCKF的位置估计结果和PDR定位结果对机器学习模型进行训练;在UWB测距失效的情况下,采用机器学习模型对IMU定位系统的误差进行预测和补偿。分别采用BP神经网络、随机森林（Random forest,RF）和支持向量回归（Support vector regression,SVR）对UWB/IMU组合定位进行辅助。实验结果表明,在活动范围有限的室内环境中,BP神经网络和RF辅助对定位精度没有改善作用,SVR辅助的UWB/IMU组合定位方法可使定位误差减小49%。本文的研究结果为高精度、高可靠的室内定位算法提供了可以借鉴的思路,为进一步实现UWB/IMU室内组合定位系统奠定了理论和实践基础。