航磁补偿是航空磁探测过程中的必备技术,目前的航磁补偿方法主要依赖于Tolles-Lawson模型。该模型将载具干扰场分为恒定场、感应场、涡流场三类干扰源,结合载具姿态信息,以线性方程组的形式表达。通过结算模型系数完成校准,进而实现补偿。然而该方法在实现过程中仍有诸多问题,例如姿态数据的准确度有限、模型缺乏低频干扰描述项等,这些问题使得基于Tolles-Lawson模型的磁补偿算法难易取得更高的补偿精度。在磁力仪测量精度取得长足进展的今天,补偿精度成为了制约航磁探测精度的主要瓶颈。基于以上问题,本文将从航磁补偿模型及姿态数据质量两方面着手,研究新的航磁补偿技术。针对航磁补偿模型,本文在传统Tolles-Lawson模型的基础上建立了新的BP神经网络模型,并对权值初始化方法进行了设计;针对姿态数据质量,本文通过融合三分量磁通门磁力仪数据与航姿仪数据提升数据质量。综上所述,本文的研究内容主要包含以下三个方面:第一,建立BP神经网络磁干扰补偿模型。本文首先对传统Tolles-Lawson航磁补偿模型进行了分析与优缺点归纳,并基于此讨论了利用BP神经网络进行磁干扰补偿的可行性;接下来,本文设计了多组网络结构,并在实测数据上进行了验证。实验表明,基于神经网络的补偿模型能够在一定程度上提升补偿效果。第二,提出给予遗传算法的航磁干扰模型求解方法。本章以对BP神经网络权值进行预训练为出发点,讨论了遗传算法在航次干扰补偿领域的应用。首先使用遗传算法初始化BP神经网络权值;进而将遗传算法拓展到传统TollesLawson模型系数求解上,提升航磁补偿精度。第三,提出了基于数据融合的姿态数据质量增强算法。本章首先分析了三分量磁通门与航姿仪各自的误差及补偿结果,并基于此设计了融合算法,以获取更高精度的姿态数据,从而实现补偿精度的提升。