随着通信技术的发展和人们生活方式的进步,位置信息服务已成为日常生活中不可或缺的部分。虽然如今GPS定位技术已趋于成熟,然而并不能满足于室内定位的需求。为此人们提出了包括UWB(Ultra Wide-Band)、TBS(Transmission Based Signaling)等室内定位方式,这些方式一般采用TOA/TDOA定位方法,然而不同于室外定位简单的信道环境,室内场景结构复杂、信号干扰源多,造成室内定位效果在非视距(NLOS,Non-Line of Sight)场景下并不理想。因此,本文提出三种有效的针对室内非视距误差抑制的定位算法,期望在结构复杂的室内定位场景中降低定位误差。首先,提出一种基于量子蜂群改进的径向基函数神经网络算法,针对室内场景中非视距所导致的误差测距进行筛选。将改进后的量子蜂群聚类的中心值作为径向基神经网络隐含层的中心值,将量子蜂群聚类的个数作为隐含层单元的个数,以此来优化神经网络,使其对非视距误差数据达到更好的筛选效果,从而提高定位精度。其次,在利用测距信息求解来定位的阶段中,本文针对冗余基站情况与非冗余基站情况提出了相应的三维空间定位算法。第一种算法考虑到室内定位中经典的Chan氏算法在噪声条件较差定位性能会急速下降的问题,提出一种改进的Chan氏算法,通过改写已知量的约束关系,引入噪声项,来提高其在非视距场景下的定位能力,并解决了经典Chan氏算法存在虚解的弊端,这种方法适用于基站数较少的定位场景中,能快速精确定位。第二种算法是一种组合加权定位算法,将冗余的测距信息按每四个数据一组进行排列组合,分别计算得到多组结果,再通过权重公式将所有结果加权获得最终的定位结果,通过减少误差数据所占的权重来降低非视距所带来的误差。最后,本文对根据实际场景搭建仿真环境,对所提方法进行检验,通过与经典算法的平均定位误差、累积分布函数等指标对比,论证提出的三种非视距误差抑制方法的有效性。