目前5G网络正在广泛地部署,将带来蜂窝网络性能的显著提升。智能交通系统、机器人等5G应用,将成为未来道路、工厂和社会的一部分。这些应用不仅需要强有力的通信能力支撑,还在很大程度上依赖设备位置信息。目前广泛用于定位服务的GNSS系统在城市环境中存在可用性低、性能降级严重的问题,而这些区域正好是5G网络覆盖的重点,基于5G信号的定位对于实现广泛的位置服务具有重要的意义。本文的主要研究内容如下:1.梳理了5GNR下行同步信号特性,讨论了同步信号处理流程及基于观测到达时间差（Observed Time Difference of Arrival,OTDOA）的定位解算方法,并推导了时延估计的克拉美罗界。针对城市宏观、城市微观和室内场景,建立5GNR下行同步信号传输模型,并进行仿真分析。结果表明:在我国现有5G部署条件下,利用同步信号的定位精度可以到达20m和30m（对应5GNR同步信号30k Hz和15k Hz的参数集,以80%的定位结果为参考）。若考虑到未来5G网络在更高频段的部署（120k Hz和240k Hz参数集的使用）,定位精度可以到达3m以内。2.针对5G超密集网络部署的场景,进一步研究OTDOA定位性能及优化方法。本文依据超密集网络特性及5G标准,建立了5G超密集网络下的OTDOA定位模型。分析表明,接收设备可以获得大量的信号到达时间（Time of Arrive,TOA）,但OTDOA定位精度容易受到非视距（Non Line of Sight,NLOS）信号的影响。针对这一问题,本文提出了一种基于信号到达时间差（Time Difference of Arrival,TDOA）组合优化筛选的定位算法,来缓解NLOS观测量造成的影响。该算法借鉴了聚类的思想对接收设备获得的观测量进行筛选,然后择优参与定位,相比于使用二元假设检验判决法和残差加权法,可更有效地削弱NLOS观测量的影响。仿真结果表明,该算法可提升OTDOA定位方法在5G超密集网络场景下的定位性能。