航空磁测是地质研究和物产勘探的重要手段,在军事国防领域也有着广泛的应用。近年来高灵敏度传感器的出现推动了小范围、高精度航空磁测的发展,使直升机吊舱成为了重要的测量载体。直升机吊舱式航空磁测将传感器置于距离直升机较远的吊舱之中,在很大程度上避免了直升机对测量的影响,但是吊舱产生的磁干扰依然会降低磁测的精度,针对直升机吊舱的高精度航磁补偿方法亟待研究。本文首先研制了基于直升机吊舱的航磁测量系统,然后利用系统采集数据以供补偿方法的研究。系统所用的光泵磁力仪利用信号的频率来表征磁场强度,因此设计了具有10Hz输出速率和0.0324 Hz分辨率的频率测量电路,等效磁场分辨率0.009 nT。Tolles-Lawson(T-L)模型和神经网络模型是两种用于固定翼飞机的补偿模型。本文首先研究了基于T-L模型的直升机吊舱补偿方法。与固定翼飞机不同,吊舱不具备动力系统,在飞行过程中的不可控运动会使模型受到复共线性的影响。本文利用奇异值分解研究了模型特征的复共线性,发现高通滤波器可以减小特征之间的线性关系。高通滤波器的截止频率决定了补偿质量,因此研究了吊舱磁干扰的频率分布,发现干扰包括0.025~0.098 Hz的摆动干扰和高于0.098 Hz的转动干扰。为了降低复共线性的影响,需要在高于0.098 Hz的频段求解模型参数。在此基础上,进一步研究了T-L模型的正则化方法,发现吊舱运动的随机性较高,T-L特征矩阵的次要成分对参数的求解有较大的影响,因此岭估计是优于截断奇异值的正则化方法。最终,本文利用高通滤波器和岭估计将T-L模型的标准差改善比(补偿质量的评价指标)提高到了1.276。T-L模型是一种只含有16个参数的线性模型,容量较小,不能很好地还原吊舱产生的磁干扰,因此转而研究了基于神经网络的补偿方法。首先根据固定翼平台的神经网络模型搭建了适用于直升机吊舱的补偿模型,发现模型的补偿效果较差且不稳定。造成这种结果的原因是神经网络模型必须将航磁干扰作为隐变量来求解。本文利用弱监督学习相关理论研究了模型的隐变量,并发现了两种提高模型补偿质量和稳定性的方法。首先是在模型中引入随机变量,实现神经网络模型的正则化。一般的神经网络模型只能估计航磁干扰的期望而不能估计它的标准差,本文通过重新参数化在模型中引入了随机变量,实现了航磁干扰期望和标准差的同步估计。随机变量的加入将标准差改善比的期望从1.135提高到了1.310,同时将其标准差从0.120降低到了0.059。通过分析模型的训练过程,发现重新参数化在误差的反向传递过程中加入了随机噪声,起到了正则化的作用,而且正则化效果与网络的结构有关。首先研究了网络中共享节点对正则化效果的影响,发现共享节点在误差的反向传递过程中为随机噪声建立了一条通路,在训练的后期保证了所求梯度能够获得足够的噪声。在此基础上,进一步研究了网络的激活函数对噪声通路的影响,发现当航磁干扰的标准差较小时,绝对值函数不会影响通路中的噪声,而S形函数则会阻断噪声的传递。航磁干扰的标准差可以针对每一个采样点给出补偿结果的不确定程度,据此可以实现神经网络模型和T-L模型的动态融合。本文对比了动态融合和一般的基于固定标准差的融合方法,发现动态融合普遍具有更高的标准差改善比。提高模型补偿质量和稳定性的另一种方法是利用先验结果来约束模型的训练。通过分析神经网络模型的隐变量,发现可以通过最大化模型的变分下界来训练模型,最大化变分下界能够使所求航磁干扰趋近于先验结果。据此,从变分下界中推导出了由先验约束的模型训练方法。先验约束能够引导神经网络模型收敛到合理的区间,进而提高补偿结果的稳定性,妥善选择的先验约束还可以提高模型的补偿质量。本文利用扩展T-L模型作为先验约束,将标准差改善比的期望从1.135提高到了1.312,同时将其标准差从0.120减小到了0.024。在此基础上,进一步研究了先验约束下模型的收敛过程,发现约束的引导作用体现在训练的初始阶段,之后便开始阻碍神经网络对训练数据的拟合。为解决此问题,研究了训练过程中先验约束的衰减方法,实验结果表明先验约束的指数衰减可以提高标准差改善比的上限。利用先验约束的指数衰减,本文将直升机吊舱数据的补偿标准差改善比提升到了1.453。