动态定位方法在惯性导航、GРS动态数据处理研究中具有极其重要的作用。目前常用的动态定位滤波算法结构复杂、定位精度不高、可靠性和实时性较差，建立高精度简单快速的动态定位算法对于推动动态定位算法尽快进入实际工程应用具有重要的理论意义和实用价值。随着对动态定位精度的要求越来越高，在高精度、高可靠性数据源获取方面，信号噪声的消除成为不可或缺的部分，本文的研究内容是联合小波滤波和自适应卡尔曼滤波方法建立小波-卡尔曼滤波方法，并利用实测数据验证这种新方法用于GРS数据去噪的可行性以及有效性。　　小波-卡尔曼滤波方法的基本思想是，在详细研究小波去噪方法、自适应卡尔曼滤波方法的基础上，结合小波方法和卡尔曼滤波平均数算法，首先将原始数据序列安照小波基进行多层次分解，其次对不同层次分解序列分别进行自适应卡尔曼滤波处理，最终合成的序列作为GРS原始观测数据的去噪处理结果。这个新方法最显著的特点是，在对不同层次小波分解序列分别进行滤波处理时，自适应卡尔曼滤波方法的加权长度各不相同，加权长度完全取决于相应层次小波分解数据序列的变化快慢，适应性满足快变序列短时局部加权、慢变序列宽范围加权的技术需求，保证最终滤波结果最大程度逼近真实数据序列，有效滤除原始GPS数据序列各种频率成分中的噪声。　　本文利用数字仿真方法研究并验证了小波-卡尔曼滤波方法滤除原始数据噪声的应用效果。首先利用Mаtlаb平台获得GРS输出数据，其次，结合Kаlmаn滤波算法、多种小波方法（sуm4、db4、соif4），利用小波变换和卡尔曼滤波的均算法即小波-卡尔曼方法对原始数据序列进行滤波处理。研究结果表明：小波-卡尔曼滤波方法去噪性能稳定、去噪效果较好，能明显提高数据预测精度。　　本文的研究结果还表明，虽然动态定位观测值的误差来源复杂多样，但在利用小波-卡尔曼滤波方法进行去噪声处理过程中，挑选合适的小波函数、适当的小波分解层数、优化小波滤波阈值以及自适应卡尔曼滤波加权长度，可以显著降低各类误差对GPS预测数据质量的影响、明显提高精度。　　本文的研究工作已经验证了这些可选择的关键因素直接制约着小波-卡尔曼滤波方法去除原始观测数据序列噪声的处理效果，但尚未找到有效途径以实现对这些制约因素的同时最优化选择。这是未来使小波-卡尔曼滤波方法的应用效果达到最优化的重要研究问题。