超宽带（UWB）室内定位方法因具有抗干扰能力强、定位精度高等优点而被广泛关注。在复杂室内环境中，多径干扰和视距遮挡是影响室内精确定位的主要因素。当前的定位补偿算法是通过信道脉冲响应特征分析视距遮挡的参数，来提高定位精度。这类方法只能针对单一环境因素来缓解定位误差。为进一步提高超宽带室内定位的精度，本文首先从理论角度分析了影响超宽带信号测距精度的因素，并通过大量的室内测距实验，量化分析每种影响因素对测距误差的影响程度。研究表明，多径效应、视距遮挡、标签与基站的距离、标签移动速度、标签与基站天线方位角以及气象因素（温度、湿度、压强）等都会对测距精度造成影响。基于此，本文从数据挖掘和机器学习的角度出发，将上述所有的影响因素作为特征进行分类和归类，并使用梯度提升决策树模型对数据集进行训练和预测。实验结果表明，该模型可以根据当前状态下所有的特征值，较好地估计出一个测距误差值，该值约为15cm；将当前预测的误差值补偿到测量值上，预测的距离误差值精度为厘米级，满足了UWB室内定位高精度的需求。

室内定位；超宽带定位；测距误差；梯度提升决策树；机器学习