如今,基于超宽带（Ultra Wide Band,UWB）、惯性测量单元（nertial Measurement Unit,IMU）、相机等多种传感器的定位技术因其高精度、高可靠性、可便携性、成本低等优势,已经在复杂室内场景下取得了广泛的应用。而相比于基于单一传感器的定位技术,基于多种传感器的多源融合定位技术,可以整合各种定位资源来进行融合定位,对目标物体进行更全面的、更精准的位置获取,具有定位覆盖广、可信度高、抗干扰能力强等优势,是如今定位导航领域的一个重要研究方向。本文选取鲁棒多源融合定位及其相关技术作为研究目标,旨在通过多种异构传感器观测数据的优质融合,来构建可以适应复杂室内环境的鲁棒多源融合定位系统。论文涉及的重要工作如下:首先,针对室内多源融合定位场景下对基站或锚点的位置进行精准获取的需求,本文研究了可同时定位目标和标定基站位置的定位方法,即 同时标定与定位（Simultaneous Calibration and Localization,SCAL）技术。针对现有SCAL技术在实时获取基站和目标位置时精度受限的问题,设计了一种基于误差加权几何精度因子（Error-weighted Geometric Dilution Precision,EGDOP）优化的 SCAL 算法框架,该算法框架分为两部分:在目标定位与基站标定端,设计了一种同步进行目标定位和基站标定的处理机制,初步获取移动目标与基站的位置;在全局优化端,提出了一种基于EGDOP的优化模型,利用目标轨迹几何分布和递推误差筛选出用于优化的轨迹点集,然后对目标轨迹和基站标定结果进行实时的全局优化。与现有基于逆轨迹-向后处理的SCAL方法相比,本文提出的SCAL算法框架,可以在实时运行的同时,保证对运动目标和基站的位置的高精度获取。然后,以分布式滤波作为基本融合框架,本文研究了在系统受干扰时可以消除异常观测影响的融合定位算法。针对现有的基于Huber的融合算法对噪声的动态变化性缺少自适应调整机制而导致融合定位性能受损的问题,本文提出了一种基于自适应高阶修正（Adaptive High-order Correction,AHC）的代价函数,可以根据噪声信息,产生可以动态调整滤波观测权值的修正因子,进而对异常观测数据进行自适应抑制。在此基础上,结合容积卡尔曼滤波（Cubature Kalman Filter,CKF）,本文提出了基于AHC函数的CKF多源融合算法,对包含3及3种以上传感器的定位观测数据进行鲁棒融合。最后,本文研究了“即插即用”方式的融合滤波系统,为基于IMU的预测更新和基于多种异构传感器（如UWB、视觉模块、气压计等）的异步观测更新提供理论基础。在此基础上,本文构建了面向实际场景的融合定位仿真与实验平台。通过多组仿真与试验,分析并验证了（1）与现有SCAL算法相比,提出的SCAL算法计算效率更高,在保证实时运行的同时,对在目标和基站的定位精度分别提高了 39.06%和47.97%,达到0.2557m和0.2437m,（2）相对于现有Huber滤波融合算法,本文提出的基于AHC的融合算法的定位收敛度提高了5.42%,对目标的定位精度提高了 19.53%,整体平均精度达到了0.1801m。。