近年来,随着科学技术的发展和人们生活水平的提高,基于位置的服务越来越多。定位技术在军事、生活和科研等领域扮演着越来越重要的角色。卫星定位技术是现如今室外定位的主流技术,卫星定位有定位精度高、用途范围广、覆盖面积大和全天候作业等特点。但是,卫星定位也有信号不稳定,信号周期较长等缺陷。针对卫星定位的缺陷,本课题提出了一种基于深度学习的卫星定位误差补偿技术,将深度学习应用到卫星定位误差补偿中。首先,通过采集大量数据,训练出良好的误差补偿模型,在卫星定位出现误差时及时对误差进行补偿以达到高精度定位的目的,提高了卫星定位的鲁棒性。在研究过程中,本课题从深度学习入手。研究了卷积神经网络(Convolutional Neural Networks,CNN)、深度信念网络(Deep Belief Network,DBN)和循环神经网络(Recurrent Neural Network RNN)这三种主流的深度学习网络。充分了解三种网络的特点后,本课题使用在中国科学院计算技术研究所采集的卫星定位数据对三种神经网络进行训练,使用三种神经网络分别建立误差补偿模型,对卫星定位进行误差补偿。经过多次实验,本课题所述的误差补偿模型取得了良好的补偿效果,有效地解决了卫星定位在出现信号波动、遮挡等情况下的定位偏移,提高了卫星定位的鲁棒性。本课题提出了三种误差补偿模型,经过实验,基于卷积神经网络的误差补偿模型取得了最佳的补偿效果,经过补偿后的卫星定位误差在1米至3米的范围内,满足精确定位的要求。