在GNSS导航解算中,通常以对观测方程进行线性化后的模型进行计算,在复杂环境下,会影响导航解的精度。卡尔曼滤波是一种高效的递归滤波器,在导航定位中,卡尔曼滤波能够充分利用运动载体的动力学模型信息和观测信息对载体状态进行估计,但需要获得动力学模型和观测模型的先验信息。神经网络对非线性映射能以任何精度逼近,并且拥有很好的去噪、学习、自适应等能力。因此本文研究了神经网络方法在导航定位中的应用,论文的主要工作包括:(1)针对一般的定位解算需要用线性化的数学模型,无法逼近真实场景问题。研究了一种基于神经网络的导航定位算法。该算法不需要固定的数学模型,通过大量的数据作训练去逼近观测方程,该算法不仅对观测噪声有很好的抑制能力,同时对定位方程中的规律误差有良好的学习能力。(2)考虑到标准卡尔曼滤波不能较好的处理非线性系统,实际应用中存在动力学模型不匹配问题,提出了基于神经网络的动力学模型补偿算法。通过训练,学习卡尔曼滤波增益与新息的乘积和动力学误差的复杂映射关系,在预测阶段对卡尔曼滤波结果进行动力学模型补偿。仿真结果表明,该算法相对于自适应抗差滤波,水平精度和垂直精度提高约10%,同时网络对各种运动状态都有很好的适应能力。(3)针对现实条件下,观测模型的非线性,提出了基于神经网络的观测误差补偿算法,通过训练学习卡尔曼滤波增益与新息的乘积和观测误差之间的复杂映射关系,在预测阶段对卡尔曼滤波结果进行观测误差补偿。仿真表明,该算法相对于自适应抗差滤波,水平精度提高约20%,垂直精度提高约30%。实测数据表明,该算法与动力学模型补偿算法都能,基本消除各方向的定位偏差,相对于自适应抗差滤波,水平方向误差标准差减小约20%,垂直方向误差标准差减小约10%。(4)针对因观测误差异常带来的定位误差扰动问题,利用多普勒频移观测量辅助伪距定位,同时考虑DOP值为定位误差影响因素,将DOP值作为基于神经网络的动力学模型补偿算法中神经网络的输入,有效的抑制了异常误差,定位结果更加准确。