超宽带信号由于具有大带宽、强穿透性特性,因此在构建高精确度室内定位系统中具有很大的潜力。但是室内存在各种不同类型的障碍物,会对超宽带信号进行遮挡,从而产生较大的非视距测距误差和定位误差。因此非视距信号的识别和分类对于精确定位是一个关键问题。接收信号的信道冲激响应（CIR）具有丰富的特征信息,可以用来识别非视距信号和视距信号。由于信道冲激响应是连续采样得到,不同时刻的值之间具有一定的相关性,但序列值之间的关系并不明显。基于此本文采用卷积神经网络（CNN）结合双向长短期记忆网络（BiLSTM）的结构,在特征提取之后进行时序分析。同时为了增加输入序列的特征数,本文引入三通道输入的机制,将CIR原始序列、CIR傅里叶变换后的实部与虚部作为输入,设计了三通道（TC）的卷积神经网络-双向长短时记忆网络的深度学习结构。本文采用开源数据集进行训练和验证,将不同结构的TC CNN-BiLSTM进行比较,选出最佳的设计结构,并与其他深度学习方法进行比较。结果显示,相比与LSTM和CNN-LSTM,TC CNN-BiLSTM方法具有更高的NLOS信号分类准确度。