精密单点定位（Precise Point Positioning,PPP）是GNSS提供高精度定位服务的主要技术之一,具有单机作业灵活,定位精度高的优势,但传统PPP技术依然存在着收敛时间较长的问题,无法满足动态应用的需求。为克服PPP的局限性,有学者提出PPP-RTK方法,通过利用地面参考网提取精确的大气改正数,区域用户可实现模糊度快速固定,进而在瞬时或数秒内获得厘米级定位精度。然而,尽管GNSS定位算法发展迅速,其定位性能依然严重受限于接收机所处的环境条件,特别在城市复杂环境下,非视距（Non-Line-Of-Sight,NLOS）信号极大影响GNSS快速精密定位性能。因此,面对在城市复杂环境下实现精准快速定位的迫切需求,并针对遮挡环境下非视距观测影响,本文围绕城市复杂环境下NLOS信号识别与PPP-RTK定位优化方法展开系统的研究。论文的主要工作和结论如下:（1）基于多个城市典型场景下的动态车载数据,评估分析PPP-RTK快速精密定位方法在不同观测条件下的性能与表现,并讨论了GNSS半遮挡环境下NLOS信号对PPP-RTK的影响。结果表明,在视野开阔的场景中,PPP-RTK定位精度稳定保持在厘米级的水平,固定率高于95%,但在半遮挡场景下,PPP-RTK的定位性能显著下降,定位精度由厘米级下降至分米级水平,同时模糊度固定率下降,城市峡谷、林荫和桥梁遮挡环境下固定率下降至88.95%、74.49%、71.69%,另外定位稳定性与可靠性下降,定位结果飞点和粗差增多。进一步地,本文通过对比视距（Line-Of-Sight,LOS）、非视距环境下的观测数据和定位结果,分析NLOS信号的影响。结果表明,NLOS信号会导致接收机的信号接收强度降低,信号质量变差,同时会伴随伪距噪声和周跳发生率增大;在定位结果方面,NLOS信号会引入较大的测距误差,导致参数解算不准确,浮点模糊度精度变差,从而使模糊度容易固定失败或固定错误,出现定位精度变差或定位序列出现粗差的情况。（2）利用视觉传感器可以有效感知周围遮挡物几何分布的优势,提出一种基于鱼眼相机拍摄的天空图像识别NLOS信号的方法。结合GNSS观测设备、惯性传感器和鱼眼相机来获取定位点周围近似半球的环境遮挡情况以及卫星和接收机间的通视关系。首先对场景模型进行构建,提出一种有效的分割鱼眼图像中遮挡区域和天空区域的方法,并基于IMU传感器所提供的位姿信息对图像进行矫正,构建卫星坐标投影模型。最后结合场景模型对卫星可视情况进行分析判断。（3）基于NLOS识别信息对PPP-RTK方法进行改进和优化,分别从观测值层面和模糊度固定层面抑制NLOS的影响,提升PPP-RTK抗多径性能。基于多个城市典型场景下的实测数据,评估优化后的PPP浮点解、PPP-RTK固定解的定位性能提升效果。实验结果表明,对于测量型接收机,PPP浮点解优化后有91%的场景的定位精度得到提升,在遮挡严重的城市峡谷和桥梁遮挡场景下,定位误差分别从7.08m和5.90m减小至3.71m和2.89m,精度提升幅度为47.9%、51.0%。对于消费级接收机,82%的场景的定位性能得到提升,连续过桥和林荫场景提升效果最为明显。通过PPP浮点解实验证明了观测值层面削弱NLOS影响的有效性后,进一步结合模糊度固定优化策略,探索PPP-RTK固定解的定位性能优化效果。实验结果表明,对于测量型接收机,优化后有64%的场景的定位精度得到提升,其中定位性能改善明显的双边遮挡、城市峡谷、桥梁遮挡场景的定位误差分别从1.69m、1.89m、1.41m减小至1.42m、1.60m、1.02m,对应的精度提升幅度分别为16.0%、15.3%、27.7%。对于低成本接收机,有73%的场景性能得到了提升,其中连续过桥、城市峡谷和林荫场景的定位性能提升明显。（4）基于鱼眼图像的NLOS识别方法虽然有效,但需借助外部设备,其实用性受到限制,因此考虑联合NLOS信息与GNSS特征值,研究基于深度学习方法的NLOS信号识别方法。本文首先设计了一个端到端的具有非线性建模能力的LOS/NLOS信号分类网络,并基于城市车载数据对分类模型进行训练和性能评估,同时将支持向量机和随机森林这两种传统机器学习方法的分类结果作为对比。结果表明,神经网络的分类性能优于机器学习,分类准确度、精确度、召回率分别为88.3%、80.6%、59.2%。进一步将神经网络识别的NLOS信号应用于实际的PPP-RTK定位解算中,验证识别结果的正确性与可用性。分别对四组测试数据集场景进行PPP-RTK定位解算实验,结果表明,视觉与神经网络识别出的NLOS信号对应的定位解算结果大致相同,定位精度和平稳性均优于不顾及NLOS误差的PPP-RTK结果。其中城市峡谷、双边遮挡和桥梁遮挡场景下神经网络NLOS识别结果对应的定位精度分别提升15.8%,11.1%和42.8%,证明了该信号分类模型的有效性和可用性。