随着5G网络、物联网的普及应用,无人机、无人驾驶车等新设备的出现,促进了定位技术的广泛研究。其中,基于视距场景下时延与距离线性关系的无线定位技术以其精度高、计算复杂度低、方便部署等优点而被广泛应用。但实际环境中多径和NLOS（non line-of-sight）误差的广泛存在,为时延估计和定位算法都带来了挑战。为了解决多径干扰以及传统时延估计方法精度受限于采样率的问题,针对最大似然时延估计法,本文提出结合插值时延估计作为初值的策略,并对最优时延点搜索过程提出了优化,有效提高了算法的精度,并降低了复杂度。基于子空间分解的思路,本文提出了联合径数估计和加权改进的MUSIC（multiple signal classification）时延估计算法。通过相关矩阵的平滑降低了特征分解矩阵的维度,利用分解后的特征值作为权值提高了参数估计不准确时算法的精度。仿真结果表明优化后的时延估计算法分辨率更高且有效降低了复杂度。为了抑制NLOS传输对时延定位带来的影响,本文提出了使用残差加权改进传统时延定位算法。通过使用不同接收节点组合得到的位置估计进行残差计算,并通过残差倒数加权平均的方式,使得出现NLOS误差的坐标估计值被赋予更小的权重,从而抑制了 NLOS传输对定位结果造成的误差。另一个不同的思路是将NLOS分量变为有助于定位的测量值。本文提出了基于多径指纹的两阶段定位法。通过射线追踪仿真工具,在城市模型中建立了包含NLOS和LOS路径的时延指纹数据库。然后将分类模型与神经网络相结合。在粗定位阶段,通过训练随机森林分类模型来确定目标所在区域。在确定区域后,应用该区域对应的神经网络来获得更准确的定位结果。在600×600 m2范围内的仿真结果表明,该方法优于传统的NLOS定位方法,可以将90%区域内的定位误差控制在16m以内。