随着位置服务要求的提高和高带宽应用数量的增加,用户对快速、准确定位的需求不断增长,为了改善资源管理,许多应用场景需要精确定位技术。近年来,高精度定位技术在室内场景和运动控制领域得到了越来越多的关注和应用。在复杂的室内场景下,信号在传播过程中的反射、衍射等现象给高精度定位带来巨大的挑战。然而,5G毫米波技术具备高路损、波束窄等特性可获取信号的多径信息,而且毫米波信号的状态信息如到达角（Angle of Arrival,AOA）、接收功率、时延等,具有较高的分辨率和空间自由度,将带来可观的增益,从而提高室内定位精度。本文在5G室内通信场景下,结合深度学习相关架构解决室内定位估计问题。首先,对5G毫米波室内场景进行分析设计,并针对毫米波信号的角度估计问题进行研究,提出了基于二阶卷积神经网络（Convolutional Neural Network,CNN）的二维到达角（2D-AOA）估计方法;其次,针对室内场景下定位算法进行研究,提出了在波束指纹（Beamformed Fingerprints,BFF）上使用卷积神经网络,对非线性数据进行分层,再经过分层卷积神经网络估计用户二维坐标位置,并将估计结果结合角度信息估计用户三维位置,实现单基站室内三维定位;最后,针对室内动态用户定位问题,利用历史信息结合多径信号的到达角度信息,提出了基于时序卷积神经网络（Temporal Convolutional Neural Network,TCN）的定位追踪算法。仿真结果表明,与其他深度学习相关的定位算法相比,波束指纹定位算法可提高室内三维定位精度且收敛速度快,TCN定位追踪能较好的预测出移动用户的轨迹信息。