近年来,GPS定位技术在定位精度和应用范围等方面都取得了空前的进步。在变形监测工程中,人们通过反复实验和探索应用,表明当精度与传统监测技术同等的情况下,GPS技术应用于监测工程方法远远优于传统监测手段。Kalman滤波是一种应用比较广泛的动态数据处理方法,该方法根据前一时刻的状态参数估值和当前时刻的观测值递推估计新的状态估值。Kalman滤波及其改进的滤波方法在变形监测数据处理中具有传统方法无法比拟的时效性、适应性以及准确性。本文主要对Kalman滤波及其改进的方法在GPS变形监测数据处理中进行应用研究,探讨Kalman滤波及其改进方法在GPS动态变形数据中去噪、变形预测以及对GPS数据采集中所产生的周跳进行修复等方面开展应用研究。主要研究内容如下:　　1.结合动态数据处理特点,论述标准Kalman滤波一般原理,在此基础上详细叙述了改进的自适应Kalman滤波和抗差自适应Kalman滤波算法。通过仿真算例对比分析,得出在没有异常值时,自适应Kalman滤波以及抗差自适应Kalman滤波在信号去噪中均优于标准Kalman滤波,去噪效果更好。　　2.结合变形信号的特征,分析多种Kalman滤波算法过程中参数的求解方法,Kalman滤波算法为抑制滤波发散,大多是建立在对系统误差的诸多假设条件上的,为克服以上方法缺点,提出了采用半参数回归模型改进经典Kalman滤波系统误差和协防差矩阵,以消除系统误差对滤波的影响,提高了Kalman滤波预报精度。　　3.将半参数Kalman滤波模型应用于GPS变形监测数据去噪等数据预处理中,同时与自适应Kalman滤波和抗差自适应Kalman滤波进行了对比分析,根据去噪及预测性能评价标准,分析以上三种方法的优缺点,通过三种方法以应用实例对比分析表明,半参数Kalman滤波模型去噪及预测精度相对较高,应用效果较好。　　4.针对GPS动态监测中预报值误差较大时多周跳探测与修复不理想的问题,在Kalman滤波动力学模型的基础上,引入输入延迟神经网络(Input-Delay Neural Network,简称IDNN)模型,提出了一种基于Kalman滤波模型的IDNN的GPS动态测量多周跳探测与修复模型。实际算例表明,该模型与Kalman滤波状态估值能同步处理,从而实现了多周跳的实时处理;而且,该模型能利用过去无周跳预报残差向量集作为网络训练数据,兼顾了GPS动态测量的动力学模型特性,能够获得精度较高的周跳估值,提高了GPS数据的质量。