近年来,物联网（Internet of things,Io T）等关键技术的蓬勃发展使得基于位置的服务被广泛应用于多种领域,加速了定位技术的突破和发展。目前已有一些较为成熟的定位技术在各领域发挥着不可或缺的作用,各行业对高精度、低成本、普适性强的室内定位应用的需求不断增加。超宽带（Ultra Wide Band,UWB）技术凭借其独特的优势,在室内定位领域脱颖而出。然而,在复杂室内环境中,超宽带信号传播易受障碍物遮挡形成非视距（Non Line of Sight,NLOS）传播从而产生NLOS误差,严重影响定位精度。因此,有效识别并修正NLOS误差对UWB定位精度的提升有重要的研究意义。本文针对UWB定位中NLOS识别和NLOS误差修正问题进行研究,主要工作如下:首先,本文借鉴Ada Boost算法容易将多种信号特征联合且具有较高检测速率的优势,结合NLOS特征参数,提出了一种基于Ada Boost的NLOS识别方法。根据视距（Line of Sight,LOS）传播和NLOS传播引起的信号差异,分别选取五个NLOS特征参数用来构造相应的弱学习器,再将由单个特征构成的若干弱学习器联合构造出一个具有高识别性能的强学习器,实现NLOS传播信号的有效识别。基于MATLAB实验平台,在不同特征集和不同NLOS占比情况下分别对算法进行仿真测试,结果表明,所提方法有较高的NLOS识别率和较为稳定的识别性能。其次,为了解决现有超宽带定位方法受NLOS误差影响导致定位精度下降的问题,在NLOS识别基础上提出一种基于测量值修正和M估计的无迹卡尔曼滤波改进算法。根据非视距测量值的正偏差性从原始观测值中比较并修正测量值,提出了一种用于自适应调整噪声协方差矩阵的非线性回归模型M估计方法,将修正后的测量值和M估计方法融入标准无迹卡尔曼滤波,以减轻移动目标定位中NLOS异常值带来的定位精度下降的影响,从而提高室内NLOS环境下的定位精度。最后,基于P440平台实现了本文所提出的改进方法,在不同NLOS占比环境中的测试结果表明,本文所提出的NLOS识别方法的识别率和稳定性等性能优于传统方法,改进的NLOS误差修正和位置估计算法性能优越,定位精度高于传统基于滤波的定位算法,且具有良好的稳健性,可以有效减轻NLOS带来的影响。