Los errores de trayectoria múltiple son significativamente desafiantes en los sistemas de navegación por radio. En particular, los errores de trayectoria múltiple en entornos interiores causan errores significativos en el dominio de la posición porque no solo los materiales de construcción que rodean el entorno, sino también todos los objetos dentro del edificio pueden reflejar las señales de navegación. Los errores de trayectoria múltiple en entornos exteriores, como en aplicaciones de señales de sistemas de navegación global por satélite (GNSS), han sido ampliamente estudiados para posicionamiento preciso. Sin embargo, los estudios de trayectoria múltiple para aplicaciones interiores rara vez se han realizado debido al entorno complicado y a los muchos objetos hechos de diversos materiales en áreas pequeñas. En este estudio, se consideraron respectivamente métodos de mitigación de trayectoria múltiple utilizando una red neuronal superficial y una red neuronal profunda basada en aprendizaje por transferencia para superar la complejidad causada por las señales reflejadas en entornos interiores. Estos métodos clasifican cada medición según si la medición presenta un error de trayectoria múltiple grave. Las mediciones de fase de portadora emitidas desde el transmisor se utilizaron para la transformada wavelet, y los valores de magnitud después de la transformada se utilizaron para el aprendizaje basado en redes neuronales. Las redes superficiales y profundas alcanzan aproximadamente un 87,1% y un 85,6% de precisión de detección, respectivamente, y el error de posicionamiento puede reducirse en un 10,4% y un 9,4%, respectivamente, después de la mitigación de trayectoria múltiple.