随着人们对各种基于位置的服务（LBS,Location Based Service）需求的不断增长,对定位精度的要求也越来越高。无线信号在传输的过程中,难免会遇见各种障碍物,导致信号无法以视距（LOS,Line-of-Sight）传播直接到达定位接收机。信号经过反射或折射等非视距（NLOS,Non-Line-of-Sight）传播到达定位接收机,会造成到达时间（TOA,Time of Arrival）以及到达角度（AOA,Angle of Arrival）等定位参数测量不准确,进而影响定位精度。NLOS误差对定位精度带来的不利影响至今还未得到较好的解决,如何有效地识别出LOS传播路径和NLOS传播路径,对于提高定位精度具有十分重要的作用。为此,本文针对LOS/NLOS传播路径的识别及NLOS误差的消除展开研究,主要工作如下:首先,通过文献阅读分析,对国内外的NLOS误差消除方法进行归纳总结,将其分为两大类:第一类是直接对NLOS误差进行抑制和减弱,第二类是根据信号在LOS/NLOS环境中传播特性的不同,识别出NLOS基站然后将其剔除,只采用LOS基站进行定位。其次,分析了NLOS传播是如何对定位精度产生不利影响,重点研究了三种基于残差的NLOS误差抑制定位算法,通过仿真分析研究了三种算法的性能以及优缺点,结果表明在NLOS基站数较少且NLOS误差较小的情况下,算法对NLOS误差抑制的效果较好;随着NLOS基站数的增加以及NLOS误差的增大,算法对于NLOS误差的抑制效果急剧下降。然后,研究了TOA、AOA定位参数在LOS/NLOS环境下的统计特征差异,对于先验概率未知的情况,根据奈曼皮尔逊准则进行二元判决来进行NLOS识别;对于先验概率已知的情况,则采用似然比检验进行NLOS识别,仿真结果表明这两种NLOS识别算法都具有较好的性能。此外,分析研究了基于距离残差（RRT）的识别算法和基于定位位置残差的识别算法,并对距离残差识别算法进行了改进,通过引入残差平方和降低了RRT算法的计算复杂度;在LOS基站数为3时,将测量标准差之和最小的一组基站视为LOS基站。仿真结果表明,改进的RRT算法计算复杂度明显降低,LOS基站数为3时的识别率得到很大提高。接着,提出了一种基于机器学习的LOS/NLOS基站识别定位算法。将定位基站进行分组,每3个基站分为一组,利用TOA测量距离作为特征,采用随机森林分类算法进行分类并识别出NLOS基站。仿真结果表明,基于随机森林分类算法进行分类后对于NLOS基站的正确识别率高于K近邻和支持向量机分类算法,识别后采用LOS基站定位能取得更好的定位性能。最后,对本文的研究工作进行了总结,对未来工作进行了展望。