移动互联网时代,基于位置的服务成为了其中重要的一个环节,无线定位技术使得人们的生活品质和生活效率得到了提高,体现在人们的衣食住行等各个方面。对移动端位置的确定能够应对5G新业务在高移动性、高可靠性、连接数量、超低延时、流量密度上的挑战。大规模天线阵列和波束成形技术为定位技术提供了重要的技术支持和保障,尤其在超密集网络中能够实现高密集度的覆盖,大大增强了信号视线传输概率,使得基于信号到达角(AOA)的定位成为可能。其次,由于圆阵列天线能够控制波束在水平面360°扫描,并且其增益方向图等特性不随扫描角度不同而变化,具有测向优势。本文主要针对基于均匀圆阵列的AOA定位和跟踪技术展开研究。本文首先研究了定位方法中的AOA估计的部分,对比分析了现有AOA估计方法的角度分辨率、定位精度以及时间复杂度。MVDR算法作为CBF的优化算法,但仍然存在和CBF一样角度的分辨率较低的问题。在超分辨率算法中,ESPRIT算法的精度相对较低,而WSF算法的时间复杂度很高。其中MUSIC算法具有较高的角度分辨率和定位精度,但频谱搜索需要耗费大量的时间,针对这一问题,提出了先缩小频谱搜索范围的分级AOA估计方法。该方法基于圆阵列天线,利用RSS信息判断获得信号到达角的范围,再利用基于圆阵列波束空间的MUSIC算法在上述判断后的指定范围内进行频谱搜索获得精确的到达角度,根据三角定位原理获得最终目标定位位置。改进的基于MUSIC算法的分级AOA估计方法大大缩短了AOA估计时间,对方法进行了定位精度和时间复杂度的对比仿真,论证该方法在保持定位精度的前提下提高了定位效率。关于抑制定位过程中NLOS误差的部分,研究基于残差的NLOS抑制算法,如残差加权、迭代最小残差、选择残差加权算法等。研究通过分布检验的NLOS识别方法如偏斜度检测和峭度检测、格鲁布斯检验、shapiro-Wilk检验等。针对NLOS基站和LOS基站AOA检测误差分布的不同,基于N-P准则和似然比检验,提出复杂度较低的方法替代复杂度高的似然比计算。仿真结果表明基于残差的传统NLOS误差抑制算法将NLOS基站参与的定位结果算入最终结果会导致误差增大。而通过先识别出NLOS基站,再利用剩余LOS基站进行定位精度大大提高。在设定合理的虚警概率时能够达到较高的检测概率,对于识别NLOS基站后将其排除利用剩余LOS基站进行定位,之后采用聚类排除异常点,这一处理在个别NLOS识别失败后依然可以将其排除在最终定位结果的计算中。所提方法简化代替NLOS识别中似然比检验,通过多次测量求得均值,并统计单次测量值偏离均值超过某一阈值的次数判断NLOS基站,并且通过聚类排除异常点的方法变相去除未成功识别NLOS基站定位点以及误差较大点,前后相结合快速有效抑制NLOS定位误差。仿真对比分析了所提方法与传统RWGH误差抑制方法,论证所提方法的有效性。最后针对跟踪滤波部分,研究了几种常见的运动模型,针对实际运动过程中的运动模型、持续时间等是不可预测性,论证了采用交互多模型方法进行跟踪滤波能达到更好的跟踪效果。分析了交互多模型方法的基本原理和参数选择,以及其优劣势。针对交互多模型方法中的滤波方法采用卡尔曼滤波时,过程噪声方差参数Q的改变可以改变卡尔曼滤波增益,从而改变对预测值和测量值加权权重,结合参与定位基站的数目不同导致测量误差的差异,提出一种基于定位基站数目的自适应Q的交互多模型卡尔曼滤波跟踪方法。当参与定位的基站较多时,测量误差较小,从而增加Q,提高测量值权重。仿真结果表明在跟踪过程中,随着定位基站的个数的改变而动态改变Q的IMMKF方法具较好的跟踪精度和较高的稳定性。