From 1G to nowadays 5G, the development of cellular systems stirs more demands and expectation for high quality of cellular-based positioning service. Precise positioning (also called localization) is one of the key applications of 5G and beyond. time of arrival (ToA) techniques is one of the main positioning techniques utilized today. However, in the process of positioning, the noise resulted from various factors definitely will affect the accuracy and reliability of positioning service within a cellular system. Machine learning is gradually reported as one of the useful and significant ways to reduce the noise, and there are various machine learning algorithms related to cellular-based positioning. Both Convolutional Neural Network (CNN) and denoising autoencoder (DAE) have been proven that can improve the positioning accuracy, and these two algorithms aims to regenerate the distance between user equipment (UE) and base station (BS) directly after training. However, the distance information are with more feature that may be hard to be regenerated directly. A new method aims to extract the noise data at first and subtract the noise data from the noisy distance data to obtain the distance between UE and BS, which is called noise learning based algorithms. The corresponding noise learning based denoising algorithms of CNN and DAE are called Denoising Convolutional Neural Network (DnCNN) and noise-learning based denoising autoencoder (nlDAE). In this project, we evaluate the performance of these four algorithms in different noise environments in ToA based and cellular based positioning systems. The hyperparameters of each algorithm in different noise environment are searched by keras tuners. The results show that these four algorithms significantly improve the positioning accuracy, and the regular denoising algorithms have the same positioning performance with the noise learning based denoising algorithms with the hyperparameters searched by keras tuner. / Från 1G till numera 5G, väcker utvecklingen av cellulära system fler krav och förväntningar på hög kvalitet på mobilbaserad positioneringstjänst. Exakt positionering (även kallad lokalisering) är en av nyckelapplikationerna för 5G och senare. Ankomsttid (ToA) tekniker är en av de viktigaste positioneringsteknikerna som används idag. Under positioneringsprocessen kommer dock bruset från olika faktorer definitivt att påverka noggrannheten och tillförlitligheten för positioneringstjänsten inom ett cellulärt system. Maskininlärning rapporteras gradvis som ett av de användbara och betydelsefulla sätten att minska bruset, och det finns olika maskininlärningsalgoritmer relaterade till mobilbaserad positionering. Både Convolutional Neural Network (CNN) och denoising autoencoder (DAE) har bevisats som kan förbättra positioneringsnoggrannheten, och dessa två algoritmer syftar till att regenerera avståndet mellan användarutrustning (UE) och basstation (BS) direkt efter träning. Avståndsinformationen har dock fler funktioner som kan vara svåra att återskapa direkt. En ny metod syftar till att först extrahera brusdata och subtrahera brusdata från bullriga avståndsdata för att erhålla avståndet mellan UE och BS, vilket kallas brusinlärningsbaserade algoritmer. De motsvarande brusinlärningsbaserade denoisingalgoritmerna för CNN och DAE kallas Denoising Convolutional Neural Network (DnCNN) och brusinlärningsbaserade denoising autoencoder (nlDAE). I detta projekt utvärderar vi prestandan för dessa fyra algoritmer i olika brusmiljöer i ToAbaserade och cellulära positioneringssystem. Hyperparametrarna för varje algoritm i olika brusmiljöer genomsöks av keras-tuners. Resultaten visar att dessa fyra algoritmer avsevärt förbättrar positioneringsnoggrannheten, och de vanliga avbrusningsalgoritmerna har samma positioneringsprestanda som de brusinlärningsbaserade avbrusningsalgoritmerna med hyperparametrarna som söks av keras tuner.