随着社会的发展与科学技术的进步,定位技术在各个领域的应用越加广泛,受到了越来越多的关注。在室外,全球定位系统（Global Positioning System,GPS）等卫星定位技术可以满足基本的定位需求。而在室内,由于遮挡物影响等原因,GPS信号并不可靠,所以精确的室内定位往往需要依赖于其他手段实现。惯性导航系统（Inertial Navigation System,INS）和超宽带技术（Ultra Wide Band,UWB）是两种常见的室内定位技术。惯性导航系统隐蔽性强,不依赖于外部环境信息,信号具有较好的连续性,但由于采用航迹推算的方式,随着导航时间和导航距离的增加,误差也会逐渐增大。超宽带技术在定位方面不存在误差积累的问题,定位精度高,但在定位过程中易受环境干扰,信号连续性较差。基于以上两种传感器各自的特点,本文提出了INS/UWB组合定位方法,充分发挥两种传感器各自的优势,提高系统定位精度,并搭建了面向于INS/UWB组合定位的实验平台,为后续的算法验证打下基础。为提高INS/UWB组合定位系统的定位精度,需要对两种传感器的位置信息进行数据融合以及滤波处理。在定位过程中,INS可以提供关于目标的姿态、加速度等信息以及最后的位置信息,UWB可以提供目标与多个参考节点之间的距离信息以及最后的位置信息。在进行数据融合及滤波时,选用INS和UWB的位置信息作为状态估计时,系统属于线性系统,若加入姿态、加速度和距离等信息,系统属于非线性系统。后者计算量较大,但能够更有效地利用数据,同时定位也更加精准。根据系统状态的特点和定位需要,在线性系统或非线性较弱的系统中采用卡尔曼滤波（Kalman Filter,KF）或扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法,在较为复杂的非线性系统中,采用粒子滤波（Particle Filter,PF）算法。通过建立状态方程描述目标载体的运动状态,同时传感器的测量信息作为观测方程的观测值,实现INS和UWB的数据融合和滤波处理。在数据融合及滤波的过程中,一方面,目标载体的运动状态往往是复杂的、不规律的,对目标进行描述的状态方程往往不够准确;另一方面,由于传感器本身硬件的问题或环境的影响,UWB信号存在中断的可能性,从而导致滤波器无法正常工作。基于以上两方面,本文提出了使用人工智能技术辅助滤波器的方法,分别采用了最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）、人工神经网络、极限学习机（Extreme Learning Machine,ELM）对滤波算法进行辅助。提出了LS-SVM辅助PF算法、ELM辅助PF算法,在系统方程存在偏差的情况下,通过训练滤波过程中的量值,建立多个状态集合之间的映射关系,消除当前时刻系统方程的误差。提出了LS-SVM辅助EKF算法、神经网络辅助KF算法、ELM辅助PF算法,在UWB信号正常时,通过建立滤波器状态值与观测向量之间的映射,在UWB信号中断时,对观测向量进行预测,从而使滤波器正常工作,提高系统的可靠性。通过研究,本文实现了基于人工智能辅助滤波算法的INS/UWB组合定位的数据融合,解决了系统状态方程的偏差问题和UWB数据中断问题。通过实验平台的数据采集和验证,证明了所提方法的有效性。