全球卫星导航系统（Global Navigation Satellite System,GNSS）已经广泛应用于各个领域,GNSS导航定位技术是室外高精度定位的主要手段,GNSS性能的好坏直接影响导航性能。在开阔的场景中,GNSS信号不受遮挡,观测质量良好,然而当GNSS定位独立应用于隧道、立交桥、高大建筑或密集的建筑区域、植被覆盖较多的区域、湖泊等区域时,GNSS信号受高楼、地形、密林遮挡或多次反射,使得定位精度恶化或者无法定位。通过挖掘GNSS异常区域,为新一代北斗芯片测试建立大规模的测试环境,为城市道路基础设施的建设与完善提供数据支持,为无人驾驶实现精准感知,智能交通的实现提供理论依据。传统的检测方法对于大范围获取道路周边的信号异常区域缺乏合适的方法,对真实的环境中信号异常进行研究现有的方法少,单纯利用道路周边环境数据取得的结果难以验证。本文通过对出租车轨迹数据、道路网络数据、地理国情普查数据、建筑物轮廓数据等多源数据进行研究,设计出定位异常数据的提取算法,提取出定位异常点,并对定位异常点进行聚类,挖掘出定位异常区域,并将其与隧道、立交桥、道路周边的建筑物、植被、水体等地物要素相结合,挖掘出武汉市主城区GNSS异常区域。本文的研究工作如下:（1）基于地物分布的GNSS异常区域提取GNSS定位应用于诸如密集城区的挑战性环境中如隧道、立交桥、高大建筑、植被覆盖较多的区域、湖泊等区域时,GNSS信号受到遮挡、多次折射、反射后,造成有效数据丢失、信号强度变弱。从地理国情普查数据中将隧道、立交桥、建筑物、植被、水体等地物要素划分出来,并与武汉市主城区路网相结合,将主城区进行格网划分并将格网区域与道路周边的地理要素数据、建筑物轮廓数据叠加,统计网格内易造成GNSS异常的地物面积或者建筑物高度等地物要素信息。确定评价指标,构建GNSS异常区域评价模型,利用熵权法确定指标权重,基于评价模型对主城区GNSS异常区域进行评价。具体的研究内容包括:1)基于地理国情普查数据的要素划分;2)基于格网分析的地物要素统计;3)基于评价模型的主城区GNSS异常区域提取。（2）基于定位异常轨迹点聚类的GNSS异常区域提取轨迹数据是等时间间隔来记录移动对象的位置、时间、速度方向等信息。在城区的复杂环境中,影响GNSS性能的两个主要因素是遮挡和多路径,造成接收机没有接收到信号或者信号漂移,体现在定位数据上为在某定位点没有数据的采集或产生了漂移。确定采样时间间隔及在采样时间间隔内移动距离的临界值。在此基础上,设计出定位异常数据的提取算法,提取出定位异常点。浮动车轨迹数据、相关的行为轨迹数据是随时间变化的时空数据,具有时空相关性。时空聚类是挖掘具有强时空相关性的时空聚类模式的重要办法。利用ST-DBSCAN时空密度聚类算法对定位异常点进行聚类,挖掘异常区域。具体的研究内容包括:1)基于时间约束的信号缺失异常点提取;2)基于距离约束的信号漂移异常点提取;3)基于定位异常点聚类的GNSS异常区域提取。（3）多源数据融合的GNSS异常区域挖掘与分析本文通过结合立交桥、隧道、城市道路周边的建筑物、植被、水体等地物要素判断容易出现GNSS异常的区域。将基于地物分布得到的GNSS异常区域与基于定位异常轨迹点聚类得到的GNSS异常区域进行综合分析,得到武汉市主城区GNSS异常区域,实现了大范围获取道路周边的信号异常区域。