无人机(Unmanned Aerial Vehicle,UAV)是利用无线电遥控设备和自备程序控制装备操纵的不载人飞行器,由于具有尺寸小、成本低、使用方便等优点,使其具有广泛地应用场景。无人机无线定位作为无人机应用的关键技术,一直是众多学者研究的热点。本文研究的无人机无线定位是指通过无人机与基站之间的信号传播实现对无人机的定位,在定位的过程中由于信号受到噪声的干扰,导致定位出现偏差。因此如何通过算法减少噪声对无人机无线定位的影响,得到更好的定位性能是本文的主要研究问题。本文在现有算法的基础上分别对视距(Line of Sight,LOS)传播和非视距(Non Line of Sight,NLOS)传播条件下的定位算法展开深入研究与分析。本文的主要研究内容如下:(1)简要概述了无线定位算法的国内外研究现状,研究分析了各种无线定位方法的几何模型以及无线定位的基本算法。(2)研究分析了LOS传播环境下的Chan算法、Fang算法以及Taylor级数展开法,并详细推导了它们在三维空间下的计算过程。通过仿真对比,分析了三种算法的优缺点。针对Fang算法不能利用冗余基站测量数据的缺点以及计算复杂度低的优点,本文研究了一种基于Fang的改进算法:基于Fang的残差加权算法。该算法首先对所有参与定位的基站进行分组,然后对每组基站的测量数据进行Fang算法定位得到估计位置并算出每组的残差,最后利用残差的倒数作为权值对每组的估计位置进行加权求和得出最终结果。仿真结果表明该算法的定位性能均高于Chan算法,Fang算法和Taylor级数展开法,并且相较于Chan算法其定位性能提高了20%左右。(3)研究分析了卡尔曼滤波在NLOS传播环境下对无人机进行定位的优缺点。针对传统卡尔曼滤波无法有效消除NLOS传播误差的缺陷,本文研究了一种基于两步卡尔曼滤波的无人机无线定位算法,该算法的第一步卡尔曼滤波通过改变自身的卡尔曼增益值使估计结果总是趋于变小,用以消除NLOS传播误差。第二步卡尔曼滤波可对无人机进行跟踪定位,并为第一步卡尔曼滤波提供较为精确的初始迭代值,同时第二步卡尔曼滤波的使用可以减少基站的网络负担。仿真结果表明,该算法可以有效地消除NLOS传播误差,具有较好地跟踪定位性能。在噪声均值为20m时该算法相较于传统卡尔曼滤波其性能提升了21%左右,并且性能提升百分比随着噪声均值的增大而提高。