对流层位于大气层最低的部分,与人类的生活息息相关。对流层延迟对卫星信号的影响是重要误差来源。由于对流层延迟与信号的频率无关,因此不能使用双频组合的方式消除,只有通过模型改正法、参数估计法、外部修正法等方法改正。目前,人工智能的飞速发展极大推进了人工神经网络算法的研究,人工神经网络是一种非线性动力学系统,从上世纪40年代开始出现,由浅层的网络结构发展到今天的深度学习算法,在图像识别、语音识别、机器翻译、医学研究等方面产生了极大的影响,也逐渐深入到大众生活中,同时也为对流层建模提供了一种新方法。本文主要介绍了大气层结构以及卫星导航中常用的对流层估计模型,结合浅层的神经网络和深度学习算法,针对区域精密对流层以及经验对流层模型提出了:基于改进的BP(Back Propagation,BP)神经网络构建区域精密对流层模型和基于深度学习算法构建区域经验对流层模型。主要的研究了以下的两个方面:(1)基于改进的BP神经网络建立区域精密对流层延迟模型。1)针对BP神经网络应用在区域对流层建模中的问题,进行了改进措施:数值模拟求得最佳隐层节点数目,减少模型参数,提高计算速度。2)改进模型参数小,适用于信号的播发,可以实时估计区域精密对流层。3)讨论了测站数目对建模精度的影响,随着测站数目的增加,建模精度逐渐升高,当测站数目达到一定数目时,改进BP模型预报精度不在有明显提高。4)改进的BP神经网络模型在拟合和预报精度上都有较大提升,RMSE(Root Mean Square Error,RMSE)分别为:7.83mm和8.52mm,而四参数模型拟合、预报RMSE分别18.03mm和16.60mm。(2)基于深度学习建立区域经验对流层延迟模型。1)将深度学习算法引入到卫星信号对流层延迟的研究工作中是值得尝试的一种方法。由于对流层延迟是非线性的,深度学习方法具有很强的非线性建模能力,根据丰富的对流层延迟历史数据发掘对流层信息的分布特征进行建模是非常合适的。2)使用中国和日本区域性的对流层数据,基于深度学习算法建立了经验对流层模型,在中国区域探讨了单个测站两种不同模型估计的延迟量与真实产品的对比结果,同时对多个测站进行了 Bias和RMSE结果进行了统计,由于中国区域数据较少,区域面积大,得到 RMSE 也比 GPT2w(Global Pressure and Temperature 2 Wet,GPT2w)大2.26mm。3)在日本区域对单个测站得到的估计值与真实值进行了对比,发现GPT2w模型与FCN建立的模型精度大致相同,然后对多个测站进行了 Bias和RMSE的统计分析。发现基于深度学习算法建立模型的Bias 比 GPT2w模型小9.15mm,极大的消除了系统误差,新模型的RMSE 比 GPT2w模型大0.07mm对精密定位的精度影响可以忽略。4)建立的新模型具有对硬件要求较低、建模流程简单、模型参数少等优点,可以方便应用于移动设备端。