随着现代社会中生产活动对安全性要求的提高,在水电站等复杂室内环境下,人员定位、物体定位等室内高精度定位需求不断增加。在开放环境中,超宽带(Ultra-Wideband,UWB)定位技术的定位精度可达厘米级。但是,在复杂非视距(Non-Line-of-Sight,NLOS)室内环境中,障碍物的遮挡会导致较大的UWB测距误差,甚至造成信号传输中断从而导致定位失败。惯性导航技术作为自主导航技术,不受周围环境影响,但随着系统运行时间的增加,会出现误差累积的情况。本文结合超宽带和惯性导航技术,围绕复杂NLOS环境下的室内定位问题,主要开展了以下三个方面的研究:首先,在掌握了UWB定位技术和惯性导航技术的基础上,对基于非线性卡尔曼滤波算法的UWB和惯性导航联合定位算法进行了研究,包括基于扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)的联合定位算法和基于无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)的联合定位算法。通过对联合定位系统进行系统建模,得出系统的状态方程、观测方程,而后分别引入到EKF算法和UKF算法中,以此完成联合定位模型设计,并进行相应仿真对比分析。仿真实验结果表明,相较于超宽带TOA(Time of Arrival)定位,基于EKF以及基于UKF的联合定位算法的均方根误差均有一定程度的下降。在复杂非视距环境中,使用超宽带和惯导数据对定位标签位置进行估计可被划归为时间序列预测问题。因此,本文提出了一种基于长短时记忆(Long Short Term Memory,LSTM)网络的联合定位算法,并对其总体架构设计、数据预处理方法、网络结构设计、模型训练方法进行了研究。仿真实验结果表明,相较于UKF联合定位算法,LSTM神经网络联合定位算法在仿真实验设定的菱形路径和圆形路径中定位性能均明显提高。最后,本文设计并实现了一套室内联合定位系统,而后设计开展了系统功能测试实验和动态联合定位实验,用于对联合定位系统功能以及联合定位算法进行实验验证。动态联合定位实验结果表明,在实验设定的四个障碍物的NLOS环境中,相比于TOA定位算法,LSTM神经网络联合定位算法的定位误差产生了明显下降。