近年来,因为商场导购、工业生产、跟踪搜寻等领域的急切需求,人们对室内定位服务的精度和可靠性的要求越来越高。超宽带（Ultra Wide Band,UWB）定位以其高精度和高稳定性的优势迅速发展普及,同时深度神经网络因其较强的非线性映射能力成为现阶段备受研究人员青睐的热门。本文以深度学习方法解决UWB定位问题。主要完成的工作如下:1、本文提出一种自编码器预处理的神经网络结构,解决室内定位中因多径效应等原因引起的数据缺失、定位精度不高的问题。该模型首先利用深度自编码器来对缺失数据以及受多径效应影响的数据进行弥补和调整,然后再用BP神经网络来建立映射关系。实验证明该方法定位性能较好。2、本文提出一种基于注意力机制的UWB定位算法。由SENet注意力模块与卷积神经网络构建一个深度学习网络SE-CNN。SENet注意力模块降低了受到动态干扰因素影响的定位数据权重,再利用卷积神经网络（CNN）确定定位数据与目标位置的非线性关系。该定位模型能够减少动态环境下多径效应与非视距带来的定位误差。实验结果表明,该算法在定位精度方面优于其他算法,且具有较好的稳定性。