当前,移动设备已经进入了我们生活的方方面面,众多基于位置的网络服务在包括室内导航、智能家庭、安全监控、智慧医疗等多个领域都得到了广泛的应用,于是室内定位技术成为了现代科技生活的根基之一。与室外定位不同,复杂多变的室内环境所引发的信号衰减和多径效应为室内定位技术的实际应用带来了许多困难。由于应用环境的不同,室内定位技术需要满足成本低、覆盖面广、易于使用、精度高等各种要求。为了满足不同的应用需求,本文分别基于Wi-Fi信号中的信道状态信息（Channel State Information,CSI）和超宽带（Ultra-wide Band,UWB）信号,对静态到动态、2维到3维的室内定位问题进行了研究,提出了一系列高精度、低计算复杂度的定位算法,其主要研究内容及创新点归纳如下:首先,针对基于Wi-Fi信号CSI的2维目标定位与跟踪问题,设计了一套以解缠绕的校准相位差作为指纹特征的新定位方案。该方案可以分为三步。在第一步,被称为初始化的阶段,本文建立了一个用于定位的环境指纹模型,该模型通过插值的方法估计出了指纹库中未收录的位置上的指纹信息。在第二步,也就是静态定位的过程中,本文利用该模型,并结合目标在接收端获取的指纹特征,对目标的位置进行了初步的估算。最后,在动态定位过程中,本文提出的最大似然卡尔曼滤波定位法将静态定位的结果与目标的运动模型相结合,以获得目标的准确位置。在本文的实验中,通过在两个不同场景下比较该结果与其他同类方法的结果可知,此方案的平均定位误差明显低于其他同类方法。其次,针对基于UWB信号的高精度3维目标定位与跟踪问题,分析了利用UWB节点进行定位时垂直方向误差较大的原因,即UWB节点的高度差不足。针对这个原因,为了改善定位的精度,本文研究了基于无人机组间测距的多目标跟踪方法。为了充分利用这些测量值,需要解决如何对所有无人机的状态进行联合估计的问题。通过分析可知,其他常用方法在处理这个问题时都有计算量较大的缺陷。为了克服该问题,本文设计了应用于多目标的最大似然卡尔曼滤波算法,并通过实验量化了无人机组间测距对定位误差的影响。从实验结果可以看出,本文提出的方法在保证了定位精度的同时,极大的减轻了计算负担。最后,针对基于Wi-Fi信号CSI与非线性运动模型的2维目标定位与跟踪问题,本文分析了粒子滤波在解决该问题时需要对大量粒子进行采样的原因,即粒子滤波对粒子的利用率较低。为了解决该问题,本文对传统粒子滤波算法进行了改良,提出了最大似然粒子滤波法。同粒子滤波一样,该算法可以处理非线性的运动模型。其核心思想在于将粒子滤波的预测和更新两个步骤合而为一,舍弃掉了大部分权重过低的粒子,从而提高粒子的利用率。该方法极大的降低了实际应用中达到高精度定位所需的粒子数,而本文的实验也证实了这一结果。如上所述,本文基于信道状态信息和UWB对室内定位问题展开了一系列的研究,设计了一些针对不同场景的定位方法,实现了满足低成本、低计算量需求的高精度室内定位。