高精度测距技术对于定位系统具有重要的意义,尤其是复杂信道环境下测距技术的研究。在复杂测距环境中,信号传播受到非视距(Non-Line of Sight,NLOS)障碍阻挡的概率大大提高,信号因为障碍物阻挡导致功率下降而难以被有效检测,从而产生较大的NLOS测距误差。如何补偿NLOS测距误差是高精度测距技术中的热点研究问题之一。因此,本文重点研究了高精度测距系统中的NLOS识别与误差补偿技术。非视距测距系统中,现有补偿NLOS测距误差的方法主要分为两大类:基于NLOS信道识别技术的测距误差补偿算法和基于NLOS误差消除技术的测距误差补偿算法。为了对NLOS测距误差进行补偿,本文提出了一种基于模糊关联分析的NLOS信道识别方法,其中使用偏度、峭度、莱斯系数和K-S检验值进行联合识别。本文对测距结果和选取的信道特征参数进行灰色关联分析,并将归一化的关联系数作为模糊综合评价方法的加权系数。通过比较视距(Line of Sight,LOS)和NLOS信道的模糊隶属度大小来识别信道。此外,在传统的NLOS异常值抛弃方法、基于Wylie的LOS重构方法和基于有偏Kalman的滤波方法的基础上,本文提出了一种基于Huber-Kalman滤波的NLOS测距误差补偿方法。首先根据NLOS信道识别结果确定Huber线性回归误差门限,构建Huber代价函数并使其最小化,然后利用线性回归对NLOS测距结果进行重构并作为测量值输入到Kalman滤波器中进行滤波处理,经过有限次迭代,可以有效减少异常值分布,使测距结果更加精确。最后,通过仿真表明验证所提方法相较于现有算法,可以进一步补偿NLOS误差,提高测距精度。为了实现NLOS信道下的实时高精度测距,本文研究了基于聚类超分辨检测的NLOS误差补偿技术。其主要思路在于对首径信号的识别,通过利用最小二乘信道估计方法估计广义信道系数,并构建首径TOA估计模型,首径TOA估计问题得以转化为信道系数二元检测问题。在此基础上,本文提出一种基于模糊聚类的首径信号时延估计方法,该方法对所估计的信道系数的幅度进行模糊聚类,从而检测首径信号并估计首径时延。由于高精度测距系统存在带宽和采样率的限制,本文进一步考虑了超分辨率TOA估计问题。通过定义矢量求和函数的模值,将超分辨率TOA估计问题转化为无约束最大化问题,利用峰值搜索方法估计小数倍时延。仿真结果表明,本文所提方法在低采样率条件下可以准确地识别出首径信号。并且在恶劣的NLOS环境中能够实现具有高鲁棒性的分米级测距精度。