近年来,全球卫星导航系统（Global Navigation Satellite System,GNSS）的建设以及智能手机用户数的激增推动了手机定位服务的蓬勃发展。随着城市化进程的不断迈进,城市区域建筑物高度和密集度与日俱增,造成了高密度建筑环境下的卫星定位性能下降。在城市区域的卫星定位过程中,卫星信号受建筑物遮挡的影响,产生多路径效应和非直射信号（None-Line-Of-Sight,NLOS）,导致GNSS在城市环境中的定位精度无法保障。现阶段,城市3D地图的出现为城市定位带来了新思路,但是在实际应用中仍存在定位局限性。为提升3D地图辅助定位算法（3D Mapping Aided,3DMA）在城市区域的定位性能,本文对3D地图辅助定位算法进一步优化并提出了基于粒子滤波和机器学习的3D地图辅助测距定位技术（Partial Filter and Machine Learning likelihood-based 3DMA ranging,PF-ML-LBR）,主要围绕算法中NLOS判断、评分模型优化以及算法效率优化,开展以下几个方面的研究工作:（1）针对3DMA定位技术中NLOS判定准确度不足的问题,研究了基于监督学习的NLOS判别模型,提取出与NLOS信号特征相关的卫星观测量,结合主成分分析降低特征向量维度,并分别建立了基于CART决策树（Classification And Regression Tree,CART）、支持向量机（Support Vector Machines,SVM）以及自适应模糊神经网络（Adaptive Network-based Fuzzy Inference System,ANFIS）的NLOS分类模型,并对比了三种不同模型的NLOS判别效果。结果表明,基于ANFIS的NLOS分类器相对于其他两种经典分类器的NLOS分类性能更强,在与训练集同一环境下的实验中,基于ANFIS分类器的NLOS分类精度为95.66%,相比于CART决策树的64.56%正确率和SVM的88.03%正确率要表现更佳。在与训练集不同环境下的实验中,基于ANFIS分类器的NLOS分类精度为82.56%,相比于CART决策树的60.41%正确率和SVM的78.93%正确率仍表现更佳。（2）为了解决城市环境下3DMA定位技术在候选区域匹配的评分值不可靠和多个高评分区域的问题,提出了基于机器学习增强似然评分的3D地图辅助测距定位算法（Machine Learning Enhanced likelihood-based 3DMA ranging,MLE-LBR）。对于匹配评分中因NLOS判定不准确导致评分值不可信的问题,利用基于ANFIS的NLOS分类器进一步加强对NLOS判定的精度,增强候选区域评分值的可靠性。对于评分图中多个高评分区域问题,通过对比基于似然评分的3D地图辅助测距定位算法（Likelihood-based 3DMA ranging,LBR）和阴影匹配（Shadow Matching,SDM）在不同遮挡环境下的评分图,利用两种算法在候选区域上评分值的互补性,提出联合评分优化方案。结合以上两个解决方案,提出一种新的算法框架MLE-LBR。最终通过在不同场景下对MLE-LBR算法进行测试,定位精度相较于LBR在水平方向上平均提升了33.11%。（3）针对3DMA定位技术中逐个候选点匹配计算效率较低的问题,提出了PF-ML-LBR定位算法。PF-ML-LBR在初始化阶段使用重要性采样粒子来对候选位置进行模拟,降低了定位过程中的计算量。在定位精度上,为了进一步避免粒子评分值不可靠的问题,构建融合马氏距离的联合粒子转移权重计算体系,最终通过蒙特卡洛采样确定定位解。通过静态实验和动态实验表明,观测时间越长PF-ML-LBR运行效率提升越多。在两小时的静态观测数据量下,PF-MLLBR的计算负载相比于LBR降低了82.54%,运算时间减少了53.48%。相较于LBR算法定位精度,在沿街方向和跨街方向精度提升了61.19%和72.98%。PFML-LBR进一步增强了算法在城市环境下的定位稳定性和运算效率。