航空磁异常探测(Magnetic Anomaly Detection)是地质勘探、海洋调查、国防军事中一项重要的技术。在航空磁异常探测工程中,自身含有大量铁磁性物质的航磁测量平台会在航空作业时产生较大的干扰磁信号,该干扰磁信号可轻易将目标磁异常信号淹没。因此目标磁异常信号被准确识别的关键前提在于航磁测量平台测得信号中平台干扰磁场是否被精确补偿,该过程被称为航磁补偿技术。航磁补偿技术可以分为“硬补偿”与“软补偿”两大类,其中:“硬补偿”是利用线圈等电子硬件设备生成与干扰磁场反向的磁信号进行对消补偿;“软补偿”是基于计算机技术利用信号处理算法来计算干扰磁场从而实现补偿。目前,精度高、灵活、可编程、自动化的“软补偿”技术正在逐渐替代通用性差、成本高的“硬补偿”技术,成为航磁补偿的首选方案。本文研究的航磁补偿技术是基于平台测得信号、姿态信息等数据对干扰磁场进行数学回归的建模手段,属于“软补偿”范畴。本文主要研究工作如下:第一,基于Tolles-Lawson模型在飞行平台坐标系下建立机动性干扰磁场的数学方程表达式,然后对传统补偿方法存在的地磁时不变假设提出了改进措施:对背景地磁场信号做自回归滑动平均模型(ARMA)建模以获得时间序列特征,然后使用卡尔曼滤波从总磁场中分离出地磁信号来构造基函数。从实验结果来看:基于卡尔曼滤波获得的背景磁场比总场均值求得补偿系数更准确,补偿效果也更好。第二,本文针对磁补偿中三轴磁通门精度较低这一特性应用校正方案。首先分析了误差因素种类,建立了理想与非理想磁通门三轴坐标系,推导了非正交性、灵敏度、零漂误差的数学表达式;然后,提出使用高精度光泵磁力仪的测量数据结合置信域数值优化方法对磁通门三轴读数进行校正;通过试验数据验证校准算法的鲁棒性以及校正前后的补偿效果,并且分析了误差系数矩阵各元素的大小对校正前后补偿效果的影响。第三,为了提高补偿模型的长时间通用性,采用深度学习神经网络来训练补偿模型。首先使用普通全连接网络(DNN)验证了:三分量磁场和总磁场作为输入数据,干扰磁场作为输出数据的模型适用性,并对校准飞行过程采集数据量不足提出了加入高斯噪声的方法来扩充数据集,通过实验对比验证了该数据增强手段的有效性。随后,在构造长时间跨度的补偿模型方面选择了深度循环神经网络,并且构造了时间变量函数用以解释地磁场周期性日变趋势,最后分析和比较了LSTM和GRU两个网络对训练各项指标的影响。最终实验结果也证明了深度循环神经网络的长时间泛化能力。