随着人类社会进入移动互联网的新时代,基于地理位置信息的相关服务也迅速的发展起来。目前人们已经不仅仅满足于室外环境下的位置信息服务,在室内环境下的人员和设备定位等服务也存在巨大需求,但是室内环境不同于空旷的室外,存在许多障碍物,影响无线信号的定位效果,因此如何提高室内无线定位精度的相关技术研究也成为了热点。超宽带(UWB)技术是目前新兴的无线通信技术,本文围绕如何提高UWB室内定位精度展开研究,首先在IEEE802.15.4a标准提供的UWB信道模型下进行了信道仿真,确定了在室内环境下非视距传播(NLOS)是造成UWB信号传播时延和信号强度衰减的主要因素。针对NLOS这一问题,本文分析了基于信号强度法(received signal strength,RSS)、基于信号到达角度法(angle of arrival,AOA)、基于信号到达时间法(time of arrive,TOA)、基于信号到达时间差法(time difference of arrive,TDOA)这四种常用定位方法的优劣,其中TDOA法能够发挥UWB信号时间分辨率高的优点,因此本文选择TDOA法。确定了定位方法之后,本文介绍了比较经典的基于TDOA的UWB定位算法:Chan算法、Taylor算法以及结合了二者优点的Chan-Taylor协同算法。对这三种算法进行仿真,可知当环境中存在较高NLOS误差的时候,其定位精度都会受到较大影响。因此本文提出使用遗传神经网络算法来拟合TDOA测量数据与目标点坐标值之间的映射关系,通过遗传神经网络强大的非线性映射能力来减小TDOA测量数据中包含的NLOS误差对定位精度的影响。仿真结果表明,遗传神经网络算法在存在较高NLOS误差的环境下,定位精度明显要高于前面所述的三种算法,并且随着NLOS误差的提高该算法仍具有较好的稳定性。同时为了获得更高的定位精度,本文参考Chan-Taylor协同算法,将遗传神经网络算法与Taylor算法相结合,仿真表明二者的结合算法相较于单纯的遗传神经网络算法具有更好的定位性能。