在室内环境中,超宽带（Ultra Wide-band,UWB）基带用于定位,它所具有的传输速率高、成本低、功耗低、空间容量大、抗干扰能力强等优点,使其具备了广阔的应用前景,并且其在精确度、实时性能和数据带宽等方面具有绝对的优势。然而大多数算法在视距环境中能够满足FCC的定位精度要求,但是实际环境尤其是城市中大多属于非视距（Non-Lineof-Sight,NLOS）环境,多径干扰,非视距传播等大大影响了无线定位的精度,对于单基站定位也是如此。障碍物的存在使目标定位不再满足视距（Lineof-Sight,LOS）的理想条件,而是经常面临非视距传播的影响,从而引起定位信号的折射、反射、衍射和散射,使得信号传输出现多径效应,导致测距误差增大,进而影响目标定位精度。因此,缓解非视距传播对定位结果的影响是提高定位精度的重要手段,在目标定位研究中处于非常重要的地位。为了解决这个问题,本文提出了一种在非视距环境下,基于机器学习算法,针对单基站定位（Single-Anchor Localization,SAL）过程中产生的定位误差进行识别和缓解,对现有的定位算法进行优化的方法。由于机器学习算法是系统近似器的有力工具,其不需要深入的系统分析就能得到适当输入的理想输出,其中最广泛使用的机器学习算法是深度学习算法,也通常被用来进行对非视距的识别和缓解。其中卷积神经网络（convolutional neural network,CNN）在特征提取方面有着很好的性能,而长短期记忆人工神经网络（Long Short-Term Memory,LSTM）适合来进行二元结果预测。方法的具体内容如下:首先是配置好合适的环境,将在超宽带非视距环境下进行单基站定位的模型进行构建,进行定位得到定位数据,并将实际位置数据并入,作为测试数据。然后是提出了一个将卷积神经网络和长短期记忆人工神经网络混合的算法模型,先使用卷积神经网络来进行特征提取,再使用长短期记忆人工神经网络进行结果预测,将两种人工神经网络的优势进行结合,更精确的进行非视距识别。最后是进行非视距缓解,本文将使用深度学习中的卷积神经网络对信道状态信息（channel state information,CSI）和接收信号强度（the received signal strength,RSS）进行使用来对非视距进行缓解,加上前面的非视距识别,以实现在进行单基站定位时提升其定位精度。