全球卫星导航系统（GNSS）作为一种具备实时、全天候、高精度等特点的时空基准服务技术,广泛应用于多种与地球科学相关的研究中。地表和结构体的变形监测,一般采用短基线相对定位的方式,基于双差技术可消除接收机端和卫星端相关系统误差,基本消除几何距离相关误差,但多路径误差无法通过差分削弱,因此多路径误差成为限制变形信息高精度获取的主要误差源。面向GPS多路径误差处理已经展开了深入研究,然而,现阶段对于星座异构的BDS和多系统的GNSS多路径误差削弱研究还较为有限。此外,GPS多路径误差在观测值域中可基于时空相关性抑制其影响,但是多系统GNSS观测卫星数目庞大,极大限制了观测值域削弱多路径的处理效率。鉴于此,本文围绕BDS观测值域多路径误差的空间相关性和多系统GNSS坐标域多路径非线性特性,展开多路径误差实时削弱模型、动态变形提取模型和基于深度学习方法的结构体实时变形信息分离模型的研究。本文的主要工作和结果如下:1)提出了一种单差半天球模型SD-MHM,基于BDS-2/BDS-3观测值域多路径误差的空间相关性,削弱BDS多路径误差,提高了 BDS短基线定位精度。此外,部分BDS-3MEO卫星的两期轨道重复周期观测时长存在不一致的现象,将影响恒星日滤波方法的处理精度,而SD-MHM可有效降低该现象对定位精度的影响。该模型将9天平均E、N、U方向定位误差的RMS降低了 56.4%、63.9%和67.4%。而且该模型可显著地削弱具有7天跨度观测数据的多路径误差。SD-MHM为常规接收机提供了一种普适的BDS多路径处理策略。2)针对经验模态分解方法存在模态混叠等问题,提出了结合经验小波变换EWT和附有参考信号的独立分量分析ICA-R,采用先验多系统GNSS多路径误差作为参考信号,构建EWT-ICA-R方法,削弱GNSS监测序列中的多路径误差,精准提取变形信息。实验表明,EWT-ICA-R方法对每天加入60mm沉降变形,E、N、U方向分离的沉降变形信息的与仿真沉降变形互相关性极高,并且变形信息的分离精度达到了毫米级,这相比每天的沉降量是微小的。此外,该算法对振动变形同样是有效的。3)提出了基于卷积神经网络和长短期记忆网络融合的CNN-LSTM深度学习方法,用于多路径误差实时预测及改正。分析了 CNN-LSTM方法实时削弱多系统GNSS多路径误差的可行性,并从13天多系统GNSS观测数据的统计结果验证了该方法的稳定性和可靠性;针对GPS,使用CNN-LSTM方法与恒星日滤波方法进行对比研究;分析了 CNN-LSTM方法对不同系统间组合数据削弱多路径误差的普适性。实验结果表明,该方法能够实时削弱多系统GNSS多路径误差,对不同系统间组合观测精度均有不同程度的提高。此外,CNN-LSTM方法对13天的GPS坐标序列不受时间跨度影响,各天改善程度均优于恒星日滤波方法。4)提出了一种联合时频掩蔽和卷积神经网络方法（TMF-CNN）,用于提取混叠在多系统GNSS数据中的变形信息。通过卷积神经网络学习海量仿真变形信息和先验多路径误差的时频掩蔽特征,然后在解码阶段实时分离多系统GNSS原始数据中的混叠变形。首先从时域和频域两个角度分析了 TMF-CNN分离变形信息的可行性;然后对不同训练样本、不同观测场景、不同系统组合等多个角度进行了泛化性试验。实验表明,TMF-CNN均能精准提取GNSS监测序列中的变形信息,此外,不同的参数模型并不影响变形信息提取精度,并且仅使用特定方向训练数据（如北方向）,训练出参数模型,对迁移场景下的观测数据依然具有良好的提取精度。图[47]表[15]参[134]