大气水汽的时空分布和变化是气象应用中一项重要信息,常规水汽探测技术一方面由于无法进行全天候观测且探测站点分布稀疏,导致水汽观测精度和时空分辨率较低;另一方面由于探测仪器昂贵,无法进行大规模布设,由于常规水汽探测技术的上述缺陷,利用常规水汽探测技术难以获取高精度的连续水汽观测值。随着全球导航系统(Global Navigation Satellite Systems,GNSS)的快速发展,世界各国相继建立了高密度的地基GNSS观测网,作为GNSS拓展应用的GNSS遥感水汽技术也得到极大的发展,该技术是利用各国布设的GNSS基准站网来遥感对流层中的水汽含量,具有全天候、高时空分辨率和造价成本低等优点,这些优点使GNSS遥感水汽技术成为水汽探测领域的重要手段之一。GNSS遥感水汽可分为可降水量反演和水汽层析技术,目前水汽反演和GNSS水汽层析主要存在的问题有:多种变量因子影响下大气可降水量最佳解算策略该如何选取;传统BP神经网络对大气可降水量进行预测易使预测模型迭代不稳定和局部最小值;水汽层析离散化时常用的沿高度方向等分分层与水汽在垂直方向上的实际分布规律不符,降低了水汽层析结果的精度。为了解决上述GNSS水汽探测技术存在的问题,本文在水汽反演最佳解算策略分析、水汽预测以及非均匀分层水汽层析等方面做了相应的研究。因此,本文主要研究成果有:(1)针对目前关于映射函数对反演大气可降水量精度影响的研究较少且没有考虑多种变量对映射函数反演水汽精度的影响,研究了在不同高度角下NMF、VMF1、GMF3种映射函数模型分季节解算精度,分析3种映射函数在不同约束条件下可降水量季节变化特征,试验结果表明:不同季节反演大气可降水量精度相差较大,秋季和夏季反演精度较低且不同测站反演精度变化幅度较大。综合考虑基线解算误差和反演可降水量精度,在香港地区的GNSS水汽反演试验中,GMF映射函数模型精度最高,并选择10°高度角作为卫星截止高度角。(2)针对传统神经网络预测可降水量使用随机的初始化参数易使预测模型计算量变大且迭代不稳定的缺点,提出一种改进的BP神经网络算法预测大气可降水量,该算法是利用水汽历史资料进行迭代得到效果较好的初始化参数,并将迭代效果较好的初始化参数代入神经网络进行建模和预测。通过试验验证:改进的神经网络算法在探空站水汽预测试验和GNSS水汽预测试验的预测精度均高于传统神经网络算法。(3)对水汽层析技术理论与方法进行深入的研究,介绍了斜路径湿延迟和水平梯度函数模型计算方法。对层析试验区域进行离散化,建立层析观测方程。顾及离散化格网中湿折射率分布不均和水汽参数垂直分布特征,在层析方程中加入了不同类型的约束条件组成层析方程组,并对层析方程组的解算方法进行了介绍。由于常规层析建模在沿地面垂直方向使用均匀分层,不符合水汽参数在垂直方向呈指数递减的变化规律,提出一种改进分层方法,即根据水汽垂直分布特征在垂直方向上进行非等分分层。实验结果表明:与均匀分层层析结果相比,非均匀分层得到的湿折射率参数与实测值的变化曲线更接近,且相关系数和层析精度均高于均匀分层,有效提高了水汽层析结果的精度。并根据层析得到的水汽参数平面分布图,分析水汽时空变化特征。