在GPS动态定位中,常常会因为各种原因导致观测数据丢失,这些丢失的数据称为缺失数据。由于卡尔曼滤波理论在求解的过程中不需要存储大量的观测数据,它是利用新的观测数据直接计算参数滤波值,从而达到实时地处理观测数据的目的,因此卡尔曼滤波理论成为处理动态定位数据最主要的方法之一。动态定位所获得的数据是时间序列数据,时间序列数据的处理方法对数据的完整性要求非常严格,不能有长时间的数据缺失,否则无法得到高精度的动态定位解,所以某些观测量的缺失会严重影响数据处理的效果,降低动态定位精度,而这些情形通常是无法通过质量控制来弥补的。　　 目前,缺失数据的处理方法主要有EM(Expectation Maximization)算法、填补方法、多传感器融合方法等。EM算法在处理动态定位观测数据缺失时,并不能对缺失数据进行估计,只能对模型参数进行估计。填补法是对缺失的观测数据进行填补,各种填补方法也层出不穷,但是将填补法用于处理动态定位观测数据缺失存在着很多问题,因为多数填补法并不是针对动态定位观测数据提出的,并没有考虑到动态定位实时处理的特性。多传感器融合方法目前还没有形成统一的理论,且抗差性问题也没有得到很好的解决。　　 基于以上情况,本文主要做了以下的研究:　　 1.给出了观测数据缺失时动态定位算法的研究背景,分析了目前测绘方面有关缺失数据问题的研究现状。　　 2.比较了几种常用的处理缺失数据问题的方法,并对其基本原理进行了分析,提出了这些方法在应用于处理动态定位观测数据缺失时的不足。　　 3.针对目前常用的缺失数据处理方法的不足,考虑到卡尔曼滤波算法在动态定位中的广泛应用,然后结合动态定位实时处理的特性,提出三种基于卡尔曼滤波算法的动态定位观测数据缺失处理方法。　　 4.通过模拟算例和实测GPS数据对上述算法进行了验证,并与标准卡尔曼滤波的平差结果做了对比,说明了算法的适用情况与不足之处。