互联网时代的到来使人们的生活水平急剧提升,对于在室内、建筑物等室内场景的定位需求日渐迫切。如何在室内场景进行高精度的定位成为了研究热点之一。目前应用室内定位的无线电技术有很多,超宽带（UWB）凭借其拥有的高精度、低功耗实时定位等特点脱颖而出,目前已经在高危工作区域、工业制造领域、无人物流领域和公检法领域等发挥出重要作用。UWB定位的优势在于其定位精度,但在不同环境受各种误差影响会降低其定位精度。因此,研究如何提高UWB定位精度并使其适应不同的环境成为了研究热点。目前,实现UWB定位的算法有很多,其算法主要是利用超宽带信号传播过程中的角度、强度、时间等信息进行定位。在分析常用的几种算法后,基于到达时间差（TDOA）定位算法由于其构建定位场景简单、成本低等优势成为选用的定位算法。但在TDOA定位过程中,由于环境影响会形成非视距（NLOS）误差,其会极大降低系统的定位性能,需使用合适的手段对其进行抑制。在对NLOS误差产生的原因分析后,发现可以在求解TDOA非线性方程组时进行抑制,但传统的抑制算法在非视距环境下的效果并不好。在进一步研究后,选取了具有极强非线性拟合能力的BP神经网络对系统存在的时延误差修正。由于传统的BP神经网络有着诸多的缺陷,会降低修正的准确度。在对其存在的缺陷分析后,选用了遗传算法（GA）和粒子群优化算法（PSO）填补其存在的缺陷。最终获取具有高速度、高准确度修正时延误差的网络。使用该神经网络对TDOA进行校正,然后使用Chan算法求解TDOA非线性方程组进行位置估计。最后模拟了NLOS场景,在NLOS场景中对Chan算法、BP-Chan算法、GA-BP-Chan算法、PSO-BP-Chan算法、GA-PSO-BP-Chan算法的定位性能进行测试和分析。实验结果表明,GA-PSOBP-Chan算法不管是定位速度还是精度均取得不错的优势,抗NLOS误差能力也很强,具有较高的理论研究价值。