全球卫星导航系统（Global Navigation Satellite System,GNSS）是目前应用最广泛的定位技术,研究城市峡谷中的定位问题时,同时存在非视距信号（Not Line of Sight,NLOS）和多径（MP）信号的干扰,严重影响接收机定位精度。本文从NLOS信号检测和MP参数估计两个角度来减轻非视距和多径效应影响,从而提高定位精度,主要研究内容如下:（1）针对非视距信号传播导致的定位性能下降问题。本文将无监督学习的卫星信号分类结果与粒子滤波算法相结合,设计了基于无监督学习的k-means非视距信号检测和优化的粒子滤波定位算法,从非视距信号检测和定位结果优化两个过程减少非视距效应影响。首先,将GNSS信号分类结果作为非视距信号检测结果,用来参与后续伪距差的计算;然后,粒子滤波器用来优化接收机定位结果,同时,核k-means更新粒子权重用来评估位置候选点;最后,使用优化后的GPS/BDS双模卫星导航系统的伪距观测量,参与最终的定位结果解算。在本文实验场景中,提出的基于无监督学习的粒子滤波定位算法,平均定位精度从传统方法的15m提高到5m左右,收敛时间从500s缩短到200s左右。因此本文提出的算法对于城市环境中的定位精度及效率两个方面都有较大的提升。（2）针对多径信号传播导致的定位性能下降问题。本文将GNSS接收机多径干扰抑制问题归结为一个直达信号的联合状态和多径信号参数的时变模型估计问题。因此,本文提出利用高斯混合概率密度期望最大化（Gaussian Mixture Model-Expectation Maximization,GMM-EM）算法实现GNSS接收机中MP干扰抑制的联合状态和时变参数估计。本文提出的基于GMM-EM的MP缓解方法被分解为两步:第一步,利用GMM模型逼近EM算法E步所需的LOS信号参数的后验概率密度函数（Probability Density Function,PDF）和期望的对数似然函数,第二步,在M步中得到MP信号参数的最大似然解。利用已有的EM算法的收敛定理,分析了该方法的收敛性。最后,进行了全面的仿真研究,并比较了该方法在现实场景中的定位性能,将码跟踪误差控制在0.01码片内,对于大多数PRN,使用GMM-EM方法获得的估计比传统参数估计方法提高10%到45%。