大气中水汽含量亦即大气可降水量（Precipitable Water Vapor,PWV）,其相位的变化与降水事件的发生有着直接的关系,并在大气能量的传输、云的形成、天气的演变、全球气候的变化等方面起着重要作用;大气水汽还是灾害性天气形成和演变的重要因子。因此,对大气水汽含量进行实时近实时、高时空分辨率的动态监测具有重要意义。基于全球导航卫星系统（Global Navigation Satellite System,GNSS）的PWV探测具有连续运行、低成本、高精度、全天候和高时间分辨率等优点,已成为大气水汽探测的重要补充手段。大气加权平均温度（Tm）是GNSS探测PWV的关键参量之一。基于实测气象资料的数值积分法是获取Tm的高精度手段,但受GNSS站点往往缺少同址气象传感器的影响,数值积分法的适用性较差。Tm经验模型由于无需气象资料,成为获取Tm的理想手段。研究表明,Tm具有显著的时空差异性;相较于全球Tm模型,局域Tm模型具有更高的精度。然而,贵州尚无覆盖全境的局域Tm模型。对流层天顶湿延迟（Zenith Wet Delay,ZWD）是GNSS探测PWV的另一关键参量。基于精密卫星星历和卫星钟差产品的精密单点定位和相对定位是GNSS技术获取ZWD的两种主要方法,二者均可获高精度的ZWD产品。然而,精密卫星星历和卫星钟差一般不具有实时性,从而限制了PWV的实时高精度获取。因此,针对贵州区域差异性显著的气候特征,开展高时空分辨率的贵州局域Tm模型和PWV预报模型的研究,对于实时获取高精度高时空分辨率的PWV,改善贵州山地气候条件下大气水汽的探测效率,提升GNSS技术对强降雨等极端天气的临近预警能力等有着非常重要的意义。本文针对地基GNSS实时获取PWV的两个关键问题开展研究。首先基于高精度、高时空分辨率的ERA5在分析气象产品,顾及Tm的高程变化和时空差异性,利用XGBoost机器学习算法构建起了覆盖贵州全境的区域无气象参数Tm模型;然后基于贵州CORS站获取的ZWD和所建Tm模型,在解算出PWV的基础上,采用机器学习算法对PWV的预报模型进行了研究。归纳起来,本文主要工作和贡献如下:（1）详细阐述了地基GNSS探测PWV的基本原理和方法;介绍了几种主流的对流层延迟模型和大气加权平均温度经验模型;阐述了GNSS精密单点定位和相对定位获取ZTD\ZWD的原理。（2）基于2011-2020共10年的ERA5再分析气象产品,编程计算了0.5°×0.5°空间分辨率共65个格网点的Tm;顾及Tm垂向变化、时域特征和空间差异性,基于XGBoost构建起了覆盖贵州全境的区域Tm模型（GZTm模型）。以2020年格网点的大气加权平均温度为参考,相较于Bevis公式和GPT2w模型,GZTm模型具有更高的精度和可靠性,均方根误差和平均绝对误差都降低了10%以上;与GTrop模型相比,GZTm模型的精度也得到了很好的改善,大部分格网点的均方根误差和平均绝对误差也降低了10%以上,而其余格网点的精度相当。（3）基于GAMIT软件解求了9个GZCORS（贵州省北斗卫星导航定位基准站网）2020年6月的ZWD时间序列,继而依据GZTm模型获取了对应时间段的PWV产品;分别运用XGBoost、BP神经网络和DBN深度置信网络分别建立起了顾及气象参数和无气象参数的PWV预测模型。实验结果表明:相较于BP神经网络和DBN深度置信网络模型,基于XGBoost的无气象参数的PWV预报模型的均方根误差分别降低了17%和9%,平均绝对误差分别降低了7%和6.4%;顾及气象参数的PWV预报模型的均方根误差分别降低了2.4%和13.4%,平均绝对误差分别降低了4.4%和14.6%。