激光跟踪仪的转站误差直接影响数据质量。最小二乘（LS）方法只考虑观测向量误差，加权总体最小二乘（WTLS）方法忽略转站模型的特点，两种算法均存在一些不足。针对激光跟踪仪坐标转换模型的特点，提出了结构约束总体最小二乘（SCTLS）方法。该方法能够顾及坐标观测值的相关性，提取误差矩阵的特殊结构，从而保证相同元素的改正数是一致的。同时对待估参数附加限制条件，保证旋转矩阵具有正交性。使用拉格朗日乘数法严密推导算法的求解步骤，给出了精度评定的公式。仿真结果显示SCTLS法的估计参数偏差小于WTLS法，准确性更高；采用合肥光源控制网中的实测数据计算，验证SCTLS法的精度更高。与LS和WTLS算法相比，所提算法更加严密，能够有效减小转站中的误差积累。

为了解决平面数据点位精度差异性及平面模型常数项解算精度较低的问题, 提出了一种基于最小二乘-加权总体最小二乘(LS-WTLS)的稳健平面拟合方法。该方法采用加权最小二乘模型与稳健估计IGGⅢ方案相结合的方式对平面模型误差项参量进行解算, 然后通过设置阈值剔除粗差数据, 利用最小二乘法对平面模型常数项进行解算, 以此进一步提高了平面模型各参量的解算精度。结果表明,新方法相对于最小二乘(LS)法、总体最小二乘(TLS)法、LS-TLS法、IGGⅢ-LS-TLS法, 其单位权中误差分别提高了53.6%,195.0%,47.5%和5.1%, 平面拟合精度分别提高了49.4%,179.3%,48.7%和46.99%, 表现出了良好的抗粗差干扰能力。该研究验证了新方法在平面拟合领域的优越性和可靠性。

提出一种基于总体最小二乘(TLS)的外辐射源雷达直达波相消算法，该算法首先利用TLS获取直达波的数目和时延，再基于既得的直达波信息构建直达波子空间，最后将回波向该空间投影实现直达波相消。与传统扩展相消算法相比，该算法所构建的直达波子空间阶数低，精确度高，在相关处理时间较短或直达波幅度时变的情况下，仍具有良好的直达波抑制性能。仿真结果证实了算法的有效性。

针对球幕点目标投影与跟踪系统中多个子系统相对位置关系探测复杂的问题，提出了一种适合现场测量的精确标定方法。将球幕作为世界坐标系，利用子系统对球幕球心标定，得到子系统在球幕坐标系下的坐标，从而实现目标点在子系统之间的坐标转换。研究了球幕球心标定原理及标定点投射方法，建立了球幕球心在标定系统坐标系下的高斯-马尔科夫(G-M)求解模型，仿真分析了影响标定误差的因素。结果表明，通过减小子系统到球心的距离和改进投射的标定点空间分布能够有效提高标定精度，最后提出基于整体最小二乘(TLS)的球幕标定方法。根据仿真结果，设计模拟球幕和标定器并完成实验，标定结果满足现场快速精确标定的要求。

为了减少测量粗差对球标靶拟合精度的影响, 在加权总体最小二乘法基础上, 针对地面3维激光扫描球标靶数据特点, 采用了权函数IGGⅢ方案, 自适应地修正拟合权阵, 构建了新的点云球面拟合方法。利用新方法分别拟合了模拟球面数据、实际扫描球面数据。结果表明, 该方法在同时考虑拟合模型系数矩阵误差与观测向量误差基础上, 通过合理定义及优化拟合权阵, 获得了更为精确的球面参量。其拟合评价指标均优于常规方法。

针对光学线阵遥感影像几何定位中, 系统误差改正参数对应系数矩阵存在误差的问题, 提出了一种基于正则化总体最小二乘的光学线阵遥感影像定位方法。首先依据有理函数模型的定义, 构建共线条件方程, 利用线性化构建光学线阵影像定位方法和系统误差改正方法, 然后依据EIV模型的定义和性质构建相应的优化目标函数, 并引入正则化项, 依据Lagrange条件极值原理推导基于正则化总体最小二乘的系统误差参数迭代估计方法。实验结果表明: 与经典的最小二乘平差算法相比, 该方法的总体定位精度提高了11.61%, 且比Tikhonov正则化法的定位精度平均提高了6.06%。本文提出方法在不增加任何额外控制信息的情况下, 是提高光学线阵影像定位精度的有效途径。

机载LiDAR点云数据滤波是LiDAR数据后处理过程中的关键步骤。在分析三角网滤波与曲面拟合滤波特点的基础上, 提出了一种“由粗到精”的处理思想用于LiDAR点云数据滤波。该方法通过强阈值三角网算法进行II类误差优先的“粗分类”, 获取可靠性较高的初始地面点, 以“粗分类”结果作为先验信息进行种子点选取, 引入总体最小二乘算法完成曲面拟合, 设置自适应阈值实现不同区域灵活处理, 最终得到较为精细的地面模型。使用ISPRS测区数据及Niagara数据进行实验, 与经典滤波算法及传统曲面拟合方法进行对比, 实验结果证明, 该方法较传统算法能够得到更加可靠的滤波结果, 对各种地形的适应性较强, 具备较高的实用价值。

提出一种基于总体最小二乘( Total Least Square)和 Shearlet变换相结合的零值绝缘子红外图像自适应去噪算法。首先利用 Shearlet变换对原始图像进行分解, 得到各尺度各方向的 Shearlet系数；然后考虑到不同尺度 Shearlet系数之间的相关性, 利用总体最小二乘准确估计了各层的 Shearlet系数；最后对处理后的系数进行 Shearlet反变换重构得到去噪图像。实验结果表明, 该方法与小波去噪法和 Bayes估计去噪法相比, 能够在有效去噪的同时, 更好地保留了图像边界和纹理信息。

为了提高无源定位的准确度，提出一种基于约束总体最小二乘(CTLS)的联合到达时间差(TDOA)和到达增益比(GROA)的定位算法。首先联合TDOA/GROA测量值建立伪线性方程，考虑到伪线性方程中系数噪声的相关性，采用CTLS方法对其进行建模，用拉格朗日乘子法和牛顿迭代法联合求解。仿真结果表明，噪声比较小时，该方法逼近克拉美-罗(CRLB)下限。在噪声比较大时，相比两步加权最小二乘方法具有更好的定位准确度。随着参数c/w的增大，该算法的定位均方误差也要小于两步加权最小二乘方法。

为了提高点云数据平面拟合精度, 提出强度加权总体最小二乘法。该方法是在传统加权总体最小二乘法基础上, 利用点云数据中各点强度信息确定其平面拟合权重, 通过均质性不同的3种平面样本数据对该方法的适用性进行了研究。结果表明, 与最小二乘法和总体最小二乘方法相比, 该方法对于均质性较好的点云数据有效, 可以得到更高精度的参量解; 而对于均质性较差的点云数据, 该方法效果不理想, 总体最小二乘法是最有效方法。