随着微机电系统（Micro-Electro-Mechanical System,MEMS）和全球导航卫星系统（Global Navigation Satellite System,GNSS）的发展,利用无人机通过惯性器件和GNSS接收机的组合导航已成为完成各类民用任务和军事任务的重要选择。但在城市环境下,由于建筑物、树木等的遮挡会导致GNSS信号拒止,进而导致无人机定位信息缺失,惯性器件与GNSS接收机的组合也将无法适用于城市环境GNSS信号拒止的情形。因此,本文以增强城市环境下多无人机的测距定位能力为研究背景,针对多传感器的测距误差和多传感器与惯性器件的组合展开研究,采用优化建模、误差补偿和自适应序贯扩展卡尔曼滤波（Adaptive Sequential Extended Kalman Filter,ASEKF）的方法,实现测距定位精度的提高。本文的主要研究内容如下:首先,简要介绍研究背景、研究现状和理论基础。概述了测距定位的主要方法、测距误差分析、高斯过程回归基本原理、惯性导航的理论基础以及组合导航结构,为后续多传感器测距模型的优化建模和多传感器与惯性器件的组合导航研究奠定基础。然后,针对超宽带（Ultra Wide Band,UWB）和紫蜂（Zigbee）测距模型中的误差展开研究。基于UWB设备的到达时间经典测距模型和基于Zigbee设备的接收信号强度经典测距模型中的随机误差均建模为零均值、常值方差的高斯分布,而在实际测距过程中,随机误差模型中的方差均会因测距距离的变化而变化,因此针对此异方差问题进行了静态测距实验,通过高斯滤波和函数拟合对实验数据进行处理,将基于UWB设备的到达时间测距模型中随机误差的方差进行对数函数建模,将基于Zigbee设备的信号接收强度测距模型中随机误差的方差进行多项式建模;同时,测距过程中天线方向相对角度的变化也会对测距精度产生负面影响,通过天线旋转实验和对数据的处理,采用三角函数拟合的方法在经典测距模型中加入天线方向的补偿项,在此基础上基于李群利用高斯过程回归（Gaussian Process Regression,GPR）方法将无人机四元数与天线方向导致的信号接收强度补偿值结合起来进行建模。对UWB和Zigbee的测距模型进行优化后,利用加权最小二乘法验证了该方法对提高测距精度的有效性。最后,针对UWB/Zigbee测距与惯性器件的组合导航展开研究。建立惯性测量单元的模型,以及优化后的基于UWB设备的到达时间测距模型和基于Zigbee设备的接收信号强度测距模型,将UWB测距值和Zigbee测距值作为卡尔曼滤波器的观测量,将惯性器件解算的位姿信息作为卡尔曼滤波器的预测量,并引入自适应因子实时调整卡尔曼增益。实验结果表明,通过自适应序贯扩展卡尔曼滤波器将UWB/Zigbee与惯性器件组合能够实现导航增强,提高定位精度。