随着21世纪步入第三次科技革命,各种空间探测技术蓬勃发展,人们不只满足于卫星定位提供的室外位置服务,并逐渐把目光投向室内定位之中,而元宇宙、AR、VR等诸多新型理念的提出,也对室内定位技术的服务质量提出了各种新要求。但室内环境相对复杂,对信号干扰严重,信号模式也多种多样,且多数时候标签与基站之间处于非视距（Non-Line-of-Sight,NLOS）通信状态,存在诸多技术难点。在以上各项因素中,对室内定位效果影响最深的便是非视距测量值,目前已有许多研究对室内非视距环境下的定位问题提出了改进方案,但在非视距误差来源的鉴别这一方面,相关工作较少。所以,本文将从基于TOA与粒子滤波的定位方案出发,结合差分进化算法与非视距误差鉴别策略,实现非视距环境下的高精度室内定位。首先,针对视距（Line of Sight,LOS）定位时最小二乘法在室内定位精度不足的问题,提出采用基于反向学习的布谷鸟搜索算法（Enhance Opposition Learning Cuckoo Search,EOCS）进行改进,通过反向学习策略压缩算法的搜索空间,并修正了标准布谷鸟算法的选择机制,以提升算法的收敛速度与收敛精度。仿真实验表明,在相同的测量精度下,改进算法比最小二乘法的定位精度提高了25%左右。在相同定位精度下,平均位置解算时间比标准布谷鸟算法减少了69%。其次为了实现NLOS环境下的准确位置估计,引入了分布式粒子滤波器算法。但标准滤波在常态定位时存在粒子贫化的问题,定位误差随着时间逐渐增大。鉴于此,本文考虑在常态定位时以EOCS算法的定位值作为参考值,对偏离了正确似然区域的粒子滤波估计值进行修正,并由差分优化算法重置病态的粒子集,提出了差分粒子滤波算法（Differential evolution particle Filtering,DEPF）。仿真结果表明,DEPF算法可以在不同的测量方程下达到比标准粒子滤波器更高的精度,且在相同粒子数与测量噪声下稳健性更强。之后对于室内NLOS环境下的定位问题,结合分布式粒子滤波策略与DEPF算法,提出分布式差分粒子算法（Distributed differential evolution particle filter,DDEPF）,并改进了分布式粒子滤波算法中的粒子贫化问题,到此得到了较为完整的NLOS环境下的定位算法。实验表明,DDEPF算法可在目标长时间处于单NLOS状态下时实现有效定位。但发现,在双NLOS状态下,DDEPF的定位性能则比较有限,甚至会出现持续的发散。对于这个问题,我们分析了DDEPF算法在双NLOS状态下失效的根本原因,并对DDEPF算法进行了结构上的扩展,加入了二次优化过程。设定二次优化过程在目标处于单NLOS状态下时保持静默,只在判别出目标处于双NLOS状态下启用。仿真表明,改进的DDEPF算法在目标处于单NLOS状态下时,可实现有效跟踪,定位性能与DDEPF算法无异。在目标处于双NLOS状态时,仍可对NLOS误差进行有效区别与划分,解决了DDEPF在目标处于双NLOS状态下无法定位的问题。