在全球卫星导航系统（Global Navigation Satellite System,GNSS）中,卫星信号在穿过中性大气层时,受到水汽的影响会发生折射,引起信号的弯曲和时延,从而会产生对流层延迟。因此在数据处理时,必须对其加以削弱或修正。对流层延迟不能使用双频模型等来消除,我们一般将其通过映射函数投影至天顶方向,使用模型法来估计对流层天顶延迟（Zenith Tropospheric Delay,ZTD）来加以改正,所以高精度的对流层延迟模型对于提高定位精度有着很重要的意义。另一方面,从对流层天顶延迟中提取到的对流层天顶湿延迟（Zenith Wet Delay,ZWD）可以转换为可降水量（Precipitable Water Vapor,PWV）,用于预测降水事件等,由此发展起来了GNSS气象学。加权平均温度（Weighted mean temperature,Tm）是二者转换过程中的一个关键参数,它在水汽监测中起着很重要的作用。因此,高精度的Tm模型的构建对于PWV的估计有着很重要的意义。由于水汽的不稳定性,高精度的ZTD和Tm模型仍是一个很重要的研究课题。本文以中国区域的ZTD和Tm为研究对象,通过机器学习的方法,构建了中国区域的高精度ZTD和Tm模型。主要研究内容如下:（1）详细阐述了ZTD与Tm的原理及GNSS反演可降水量PWV的整个流程。同时还介绍了本文所使用的机器学习的算法原理以及实现的具体流程,为后续ZTD和Tm建模提供了充足的理论基础。（2）对ZTD的时空变化特征及其与气象参数之间的相关性进行了分析。通过分析不同站点处的ZTD时间序列,发现ZTD具有明显的周期性特征以及季节性的变化规律,且在空间上也表现出一定的自相关性。此外还计算了ZTD与地表气压、温度、水汽压之间的相关系数。结果显示,ZTD与测站位置处的气象参数呈不同程度的相关性。上述分析为后文的ZTD建模提供了建模思路。（3）本文使用了Wyoming大学提供的2013年至2018年中国区域的86个探空站点的数据,使用神经网络的方法构建了一个顾及时空参数及气象参数的中国区域的高精度对流层天顶延迟模型NN＿ZTD。最终结果显示,新构建模型的均方根误差（Root Mean Squared Error,RMSE）值为36.0 mm,相比于目前精度较高的GPT3经验模型精度提升了26.1%。此外,还对NN＿ZTD模型与三种对比模型Saastamoinen模型、GPT3模型以及GTrop模型在时间和空间维度上进行精度评估。NN＿ZTD拥有整个区域更加均匀的精度,整体泛化能力有所提升,而且在时间维度的精度也有较大的改进。（4）对Tm的时空变化特征及其与气象参数之间的相关性进行了分析。通过计算Tm和各个气象参数之间的相关系数,发现Tm与测站温度Ts之间有着很强的相关性,与水汽压有较强的相关性。通过分析各个测站的Tm时间序列,发现Tm表现出明显的季节性变化。同时使用Lomb-Scargle周期图法对Tm进行了时间频谱分析,发现Tm时间序列具有明显的年周期变化特征。这部分研究为后续Tm建模提供了理论基础。（5）本文提出了一种新的基于循环神经网络（Recurrent Neural Network,RNN）和长短期记忆神经网络（Long Short-Term Memory,LSTM）构建Tm模型的策略,分别利用这两种算法优秀的时序记忆能力,构建了中国区域的高精度Tm模型。本研究中使用了IGRA提供的中国区域及周边的118个站2010年至2015年的数据用于训练模型,2016年的数据用于模型检验。最终结果显示,RNN＿Tm模型和LSTM＿Tm模型的RMSE分别为3.01 K和2.89 K,精度相较于GPT3经验模型计算得到的值分别提高了31.1%和33.9%。同时,我们又选取了另外10个均匀分布在中国区域的点,利用构建的模型测试了其2010至2016年加权平均温度的预测能力,其RMSE分别为2.95 K和2.84 K,证明了模型在中国区域非建模站点也具有很高的精度。此外,我们还分析了模型在时间和空间维度的精度表现,发现新构建的两种深度学习模型相比较两种传统模型具有更强的整体泛化性,很好的缓解了由于测站位置、海拔高度以及季节变化带来的Tm估计偏差,在整个中国区域具有较强的Tm估计适用性。