无线定位技术逐渐成为智能交通系统的支柱性技术之一,例如无人驾驶中车辆定位和导航等,都需要获取车辆的精确位置信息。全球导航卫星系统定位精度大约为米级别,无法满足无人驾驶的需求。超宽带（Ultra-Wideband,UWB）和宽带定位是实现高精度定位的重要技术,但在实际应用中,UWB和宽带定位会受到信道衰落、低信噪比、多用户干扰和非视距（Non-Line-of-Sight,NLOS）传播的影响,其中NLOS传播对定位的影响最为严重。因此,研究NLOS识别和误差抑制技术对提高定位精度具有重要意义。为了获取验证数据,本文选取了室外真实交通场景中的隧道、高速公路、城市交叉路口和室内测试场景设计并开展了无线信道测量活动,收集了视距（Line-of-Sight,LOS）和NLOS传播条件下的信道脉冲响应（Channel Impulse Responses,CIR）。首先,基于CIR提取出NLOS识别的8种关键特征,利用皮尔逊相关系数对不同特征之间的相关性进行了分析,提出了一种基于核主成分分析（Kernel Principal Component Analysis,KPCA）的NLOS识别方法,并利用四种场景下的实测数据对该方法进行了验证。实验结果表明,基于KPCA的NLOS识别方法在四种场景下都具有较高的NLOS识别精度、较快的收敛速度和较好的泛化能力。其次,针对LOS和NLOS传播条件下不同信道特征的权重问题,提出了一种混合Relief F和KPCA算法的NLOS识别方法。该方法删除了输入特征向量中权重较小的特征,降低了输入向量的维度。实验结果表明,基于Relief F和KPCA相结合的NLOS识别获得了高精度的LOS和NLOS识别结果,且性能优于基于KPCA的NLOS识别方法。同时,该方法能够在仅有50%训练样本下,达到高于94%的识别精度。最后,基于LOS和NLOS识别的结果,建立了高斯过程回归（Gaussian Process Regression,GPR）、最小二乘支持向量机回归和BP神经网络模型对NLOS误差进行抑制,并对不同带宽、不同频带下的NLOS误差抑制性能进行了对比与评价。实验结果表明,GPR模型表现出最好的NLOS误差抑制性能,且所提取的特征作为输入向量可以将平均绝对误差和均方根误差分别减小71.12%和81.36%;随着带宽的不断增加,误差抑制性能逐渐优化,即可通过增大带宽有效改善输入特征较少时的NLOS定位误差;在多特征输入下,低频带的NLOS测距误差小于高频带,所有可用频带结合可以比单频带更好的抑制NLOS定位误差。