新兴的物联网（Internet of Things,IoT）应用,如智能制造和智能家居,对提供低成本、高精度的室内定位和导航解决方案提出了巨大的需求。惯性测量单元（Inertial Measurement Unit,IMU）通常可以在较短的时间内提供较精确的位置解算,但是由于加速度计传感器存在测量误差的累积效应,其定位和导航误差随着时间的推移而迅速增加。另一方面,超宽带（Ultra-Wide Band,UWB）的定位和导航精度容易受到实际环境中多种不同因素的影响,即使在视距（Line-of-Sight,LoS）条件下也可能导致定位结果的不确定性跳变。因此,在复杂的室内环境中很难使用独立的定位和导航系统来实现更高要求的定位精度。本文提出了一种基于扩展卡尔曼滤波（Extended Kalman Filter,EKF）和无迹卡尔曼滤波（Unscented Kalman Filter,UKF）的IMU和UWB智能多传感器信息融合的高精度室内定位系统（Indoor Positioning System,IPS）,以进一步地提高系统的鲁棒性和定位精度。此外,本文还讨论了参考基站的分布与精度稀释因子（Dilution of Precision,DOP）之间的关系,以便于更加合理地配置参考基站来提高系统定位精度。仿真结果表明,IMU传感器提供的先验信息可以有效地抑制UWB传感器的观测误差。相对于仅依赖于UWB传感器的三基站观测距离最小二乘（Least Squares,LS）定位算法,智能多传感器信息融合室内定位算法的定位精度有了明显提高。此外,由于该算法计算效率高,从而可以在一般的嵌入式设备上实现实时计算。最后,本文提出了两种随机运动近似模型滤波算法,即近似匀加速运动模型（Approximate Uniform Acceleration Motion,AUAM）滤波算法和近似匀速运动模型（Approximate Uniform Motion,AUM）滤波算法来进一步地改善系统定位性能,并在实际的实验环境中对算法性能进行了验证和评估。实验结果表明,这两种算法在实际的室内定位系统中都具有一定的鲁棒性和持续的跟踪能力。