GNSS系统能随时为用户提供高精度的三维位置信息,通过添加修正信息,GNSS可以潜在地提供厘米级的定位精度。但是其同时也容易受到各种外界因素的干扰,在受到遮挡时,接收机会受到来自遮挡物的反射信号的影响,产生多路径误差,难以满足高精度定位的需求。针对高精度导航定位的需求,本文首先研究了多路径误差的产生,以及影响多路径误差的因素,通过伪距载波相位提取多路径误差并进行分析。随后建立了经验模态分解和小波变换的多路径误差改正模型,针对两种滤波的不足之处,提出了通过经验模态分解-小波变换方法提取多路径建立多项式拟合误差改正模型,实时处理多路径数据。利用第一天的观测数据提取的多路径误差对改正第二天的观测数据进行改正,这种模型使用小波变换提取高频信号中的噪声,避免了EMD方法中分解出来的高频分量的部分有效信号的丢失,而且发挥EMD的自适应特征,使滤波的效果得到增强。由于不同观测点之间的多路径误差没有相关性,所以没有办法对一个区域内其他观测点进行坐标序列的修正。为研究多路径误差的平面分布特征,本文提出了一种基于多项式函数拟合的方法建立了多路径误差平面分布模型。该方法首先通过滤波的方法提取出一个区域内多个观测点的多路径误差信息,然后通过多项式拟合构建了函数模型,并利用函数模型对相邻天观测数据进行处理。实验结果表明多路径误差得到了有效的抑制,这种方法建立的函数模型可以在一定范围内削弱多路径误差带来的影响。最后针对动态导航环境下多路径误差无法建立常规数学模型进行建模的难题,引入了神经网络的处理方法,提出了基于反向传播(BP)神经网络的动态多路径误差建模方法,首先对观测数据进行训练,得到训练后的神经网络模型,然后通过神经网络模型可以预测得到下一个时段的多路径误差数据,然后对下一个时段的原始坐标序列进行改正。通过实验发现神经网络模型可以很好的对动态多路径误差进行预测,预测数据与实际数据几乎一致,取得了较好的实验效果,最终达到高精度导航定位的目的。验证了该方法的有效性。