大地水准面的精化与高程转换是现代控制测量的基础内容,高程转换是实现测绘信息资源共享和大地基准精化至关重要的环节。目前GNSS高程转换实际运用的方法有重力测量法和传统的数值拟合逼近法。研究主要针对神经网络模型对高程异常解算过程中的数学模型和解算精度展开了深入的分析。针对大范围且地形差异较小的区域,提出了一种基于思维进化算法优化的抗差BP神经网络拟合模型。模型对于BP网络较弱的抗差性能和局部优化的特性,改造了模型输入和优化权值及阈值的计算方法,完善了数学模型的抗差性。运用某测区实测工程数据对优化后的模型进行了验算,验证了模型的可靠性。对于小范围测区的高程异常拟合需求,提出了一种基于稳健估计的正则化RBF神经网络拟合模型。在数据处理方法中稳健估计的思想下,模型针对RBF网络隐含层中心值选取过程中的随机性进行了改造,提出“精度低,稳健权小,中心偏离输入越大”原则,提高了模型的抗差性能,并以工程数据训练网络进行拟合测试,验证了其优越性。研究主要是从数学建模角度分析了模型的内外符合精度,得出相应的结论,对数据自动化采集过程中误差多样性的观测数值高程拟合计算有一定的现实意义。但是高程异常的拟合与地势特征、数据点采集的质量等因素都有影响,模型还需从实用的角度进一步完善。