En este documento, con el objetivo de abordar los graves problemas del posicionamiento UWB en circunstancias de interferencia NLOS, se propone un método completo para la clasificación NLOS/LOS, la identificación y mitigación NLOS, y una solución final precisa de coordenadas UWB a través de la integración de dos algoritmos de aprendizaje automático y un algoritmo de localización híbrido, que se denomina algoritmo C-T-CNN-SVM. Este algoritmo consta de tres procesos básicos: un método de clasificación de señales LOS/NLOS basado en SVM, un método de reconocimiento de señales NLOS y eliminación de errores basado en CNN, y una solución de coordenadas precisa basada en el ponderado híbrido del método de Chan-Taylor. Finalmente, se demuestra la validez y precisión del algoritmo C-T-CNN-SVM a través de una comparación con métodos tradicionales y de vanguardia. (i) Enfocándose en cuatro errores de predicción principales (mediciones de rango, maxNoise, stdNoise y rangeError), la desviación estándar disminuye de 13.65 cm a 4.35 cm, mientras que el error medio disminuye de 3.65 cm a 0.27 cm, y los errores se distribuyen prácticamente de manera normal, demostrando que después de entrenar un SVM para la clasificación de señales LOS/NLOS y un CNN para el reconocimiento y mitigación NLOS, la precisión de las mediciones de rango UWB puede aumentar considerablemente. (ii) Después del posicionamiento del objetivo, el método propuesto puede lograr una precisión unidimensional en el eje X y el eje Y dentro de 175 mm, y una precisión en el eje Z dentro de 200 mm; una precisión 2D (X,Y) dentro de 200 mm; y una precisión 3D dentro de 200 mm, la mayoría de las cuales se encuentran dentro de (100 mm, 100 mm, 100 mm). (iii) En comparación con los algoritmos tradicionales, el algoritmo C-T-CNN-SVM propuesto tiene un mejor rendimiento en precisión de ubicación, probabilidad de error acumulativo (CDF) y diferencia cuadrática media (RMSE): la precisión 1D, 2D y 3D del método propuesto es 2.5 veces mayor que la de los métodos tradicionales. Cuando el error de ubicación es menor de 10 cm, el CDF del algoritmo propuesto solo alcanza un valor de 0.17; cuando el error de posicionamiento alcanza 30 cm, solo el CDF del algoritmo propuesto se mantiene en un rango aceptable. El RMSE del algoritmo propuesto se mantiene ideal cuando el error de distancia es mayor de 30 cm. Los resultados de este documento y la idea de una combinación de métodos de aprendizaje automático con los algoritmos de localización clásicos para mejorar el posicionamiento UWB bajo interferencia NLOS podrían satisfacer la creciente necesidad de localización y comunicación inalámbrica en interiores, lo que indica la posibilidad de la implementación práctica de tal método en el futuro.