在测量数据的处理过程中,由于最小二乘法在进行参数估计以及计算时的诸多优点,因此,最小二乘法就成为测绘工作者最常用的数据处理方法。但是当数据中存在模型误差(本文主要指粗差)时,该方法的诸多优点就会被破坏,从而导致平差结果的不可靠。为了更好的确保平差结果的可靠性和准确性,研究如何正确的发现和剔除观测数据中的粗差,对于测量数据处理具有重要的意义以及实用价值。目前,粗差的探测方法主要分为两大类,分别为:将粗差纳入函数模型的均值漂移模式和将粗差纳入随机模型的方差协方差膨胀模式。然而大部分的粗差探测方法都是在最小二乘法的基础上建立起来的,由于在计算中假设系数矩阵不存随机误差或粗差,所以这些方法只能够很好的发现观测向量中所存在的粗差,这是一种非常理想的情况,在实际的测量中几乎是不存在的,例如:在直线拟合、坐标转换以及网平差中,系数矩阵中是含有观测量,所以系数矩阵中也是很可能存在随机误差或粗差。那么,针对系数矩阵和观测向量都存在随机误差的EIV模型粗差探测方法的研究也是非常必要的。通过对于现有粗差处理方法的借检和学习,论文对以下问题进行重点研究和探讨:(1)在最小二乘法的基础上,论文对均值漂移模式的几种方法进行全面的阐述和讨论,包括:数据探测法、部分最小二乘法、拟准检定法以及多维粗差同时定位与定值法。并且通过数值结果表明,上述四种方法在独立等精度以及独立不等精度情况下,所计算的粗差估计值是相等的。(2)论文研究了顾及系数矩阵与观测向量同时存在随机误差的EIV模型粗差探测方法。一种是基于加权总体最小二乘(WTLS)的模型建立的粗差探测法,通过对加权总体最小二乘(WTLS)的模型进行变形,将其转换为标准的最小二乘形式,进而建立数据探测法以及部分最小二乘粗差探测法;另一种是基于Partial-EIV模型建立的粗差探测法,通过对Partial-EIV模型进行线性化,进而转化为标准最小二乘的形式,建立数据探测法以及部分最小二乘粗差探测法。(3)针对Partial-EIV模型计算效率较低的问题,论文将Partial-EIV模型的新解法利用到基于Partial-EIV模型的数据探测法中,通过模拟算例表明,该方法能够有效的提高粗差探测时的计算效率;最后还针对七参数空间坐标转换模型中粗差问题,将基于Partial-EIV模型的数据探测法应用到参数计算中去,并且通过模拟算例证明该方法能够有效的发现数据中所存在的粗差,从而确保计算结果的准确性以及可靠性。