全球卫星导航系统(GNSS)已经广泛应用于地理空间科学及其相关的大地测量研究中。多年来,促进GNSS数据的应用已经成为一些仍然在使用非地心基准国家(例如加纳)大地测量部门的研究重点。随着GNSS的应用,GNSS已逐渐成为一些使用地心基准而非天文大地基准国家不可或缺的技术。然而,采用地心基准往往需要将地理空间数据在天文大地基准与已经建立的地心基准之间进行转化。此外,一些仍然在使用非天文大地基准的国家,也需要将GNSS所获取的数据转换为其当地的大地基准下的数据。可靠的全局与局部区域的坐标转换估计是大地测量学一个基础的研究问题。一些学者将这些问题归结于以下几个方面:(1)当建立局部大地基准时所使用的数据采集过程;(2)应用于调节和统一局部大地参考网络的计算调控技术;(3)局部大地参考网络所收集的数据质量;(4)局部大地基准缺乏大地高。这些挑战使得局部大地网下的数据呈现异构性。一些还没有建立大地基准的国家将会经常面临以上提及的问题。为了避免这种状况,传统的参数转换方法以及无参的人工智能方法已经广泛应用于二维和三维的坐标转换中。有研究表明,人工智能方法能够取得较高的坐标转换精度。大多数学者主要致力于一些人工智能方法的研究,例如反向传播和径向基神经网络,神经模糊神经网络,模糊逻辑和遗传编程。本文则在已有研究的基础上,针对大地测量坐标转换问题开展了如下创新性研究:(1)评估了后向传播神经网络、径向基神经网络以及多元线性回归神经网络的向前坐标转换精度。研究的本质为探索以上提及的方法是否能够作为基于监督学习的标准向前方程的替代方法。本文采用了以下指标来对这些方法进行精度评定:均方误差、相关系数、确定系数、平均误差、平均绝对误差、Legates和McCabe指数、相对误差校准、平均水平位置误差、标准差、最大和最小水平位置误差。整体分析显示,径向基神经网络和多元线性回归的标准差分别为5.184E-04m和1.008E-03m,而后向传播神经网络的标准差为0.089m。径向基神经网络、多元线性回归以及后向传播神经网络的最大水平位置误差分别为0.004m、0.011m和0.627 m。由此得出重要结论:在该实验区域应该采用径向基神经网络方法来实现大地坐标系和笛卡尔坐标系之间的坐标转换。(2)基于后向传播神经网络、径向基神经网络以及广义回归神经网络,提出一种能够提高地心转换模型结果的新方法,本文称之为人工神经网络误差补偿模型(ANN-ECM)。该方法的本质是将地心转换模型转换的坐标作为人工神经网络的输入数据,并将其预测的残差数据作为输出数据。然后,利用人工神经网络预测的残差数据对现有的地心模型转换的坐标数据进行修正。结果表明,传统的地心转换模型的最大水平误差为1.99m,而本文所提方法能够大幅度地减小该误差至0.9m。值得指出的是,本文方法所能达到的精度与加纳国家测绘部门土地委员会所规定的用于地籍测量和规划的精度是一致的。(3)提出一种结合全局最小二乘(TLS)和径向基神经网络的创新混合方法(TLSRBFNN),并将该方法应用于加纳地心参考网络的坐标转换中。这种混合方法在实现过程中结合了全局最小二乘的函数近似能力以及径向基神经网络的非线性建模的能力。而且,本文利用全局最小二乘作为一个优化工具来在多方面改善径向基神经网络,例如训练速度以及减小网络的大小以加快收敛和提高转换结果。本文所提出的方法可以归类为一种基于系统和经验模型的知识结合。实验结果表明,TLS-RBFNN、径向基神经网络(RBFNN)、全局最小二乘(TLS)分别能够获得0.3631、04587和0.6074的转换精度。由此可见,本文所采用的混合方法要明显优于每一种单独使用的方法。为了更近一步地评估TLS-RBFNN的优势,本文应用贝叶斯信息准则进行评判。TLS-RBFNN能够取得最小的贝叶斯信息准则值,因此其被选为最适合用于进行WGS84和加纳战争办公室1926椭球坐标系之间的坐标转换模型。(4)基于支持向量机(SVM)、最小二乘支持向量机(LS-SVM)、多元自适应回归样条(MARS)和极限学习机(ELM)来进行坐标转换。这些新方法均采用加纳地心参考网络下的同名点。SVM、LS-SVM、MARS和ELM的结果分别和后向传播神经网络(BPNN)、径向基函数神经网络(RBFNN)以及二维等角和二维仿射模型结果进行比较。统计分析结果显示,LS-SVM,MARS,ELM,BPNN和RBFNN相较于SVM、二维等角和二维仿射模型能够取得更好的坐标转换结果。整体分析表明,RBFNN能够取得更准确的结果,其坐标转换精度为0.137m。MARS、LS-SVM、ELM和BPNN的转换精度分别为0.157、0.198、0.246和0.258m。SVM和二维仿射能够取得相同的转换精度,精度值为0.433m。二维等角模型能够取得0.474 m的转换精度。利用全部测试数据,RBFNN、MARS、LS-SVM和ELM的最大水平位置误差分别为0.59m、0.63m、0.84m和0.93 m。它们所对应的最小水平位置误差分别为0.005m、0.018m、0.03m和0.008 m。RBFNN、MARS、LS-SVM和ELM的结果满足加纳测绘部门所规定的水平位置误差容限范围,即±0.9 m。与其相对的是,BPNN的最大和最小水平位置误差分别为1.624m和0.04m。SVM和二维仿射的最大水平位置误差均为2.153m,而二维等角模型的最大水平位置误差为2.642m。虽然BPNN、SVM、二维仿射和二维等角的最大水平位置误差不满足规定的±0.9 m,但是这些方法仍然能够应用于一些低精度的测绘工作中,例如为地理数据库建立而进行的GIS数据采集、小比例尺地形图测绘以及植被、土壤类型、地质学等的数据转换。本论文的研究内容均基于作者在读博期间所发表的3篇SCI论文以及已投SCI期刊在审的3篇论文。