工程测量系毕业论文

工程测量系毕业论文一.摘要

本章节以某大型跨海桥梁工程为研究背景，探讨了工程测量在复杂环境下高精度定位与变形监测的关键技术及其应用效果。项目位于海洋与陆地交界区域，地质条件复杂，施工环境多变，对测量精度和实时性提出了严苛要求。研究采用多传感器融合技术，结合GNSS实时动态定位（RTK）、激光扫描与无人机摄影测量等手段，构建了三维坐标测量体系。在数据采集阶段，通过差分改正和卡尔曼滤波算法优化GNSS信号质量，并结合地面控制点布设与加密技术，实现了毫米级定位精度。针对桥梁主体结构，建立了变形监测网络，采用自动化全站仪和应变片系统，对桥墩、主梁等关键部位进行周期性观测，并利用小波分析提取异常变形特征。研究发现，多源数据融合技术能够有效克服单一测量方法的局限性，在强干扰环境下仍能保持较高稳定性；动态监测数据揭示了桥梁在波浪荷载作用下的周期性变形规律，为结构安全评估提供了科学依据。研究结果表明，集成化测量技术不仅提升了工程效率，更在极端环境条件下验证了其可靠性。基于此，提出了一套适用于类似工程的测量优化方案，包括动态基准站优化、多传感器数据融合算法改进等，为复杂环境下的大型基础设施测量提供了理论支持与实践参考。

二.关键词

工程测量；跨海桥梁；GNSSRTK；变形监测；多传感器融合；小波分析

三.引言

工程测量作为土木工程领域的核心支撑技术，其精度与效率直接关系到大型基础设施项目的安全实施与长期稳定运行。近年来，随着全球城市化进程加速和交通运输网络向深远海域拓展，跨海大桥、海底隧道等超大型工程日益增多。这些工程不仅面临陆地工程更为复杂的地质与环境挑战，更在测量技术上对精度、实时性和可靠性提出了前所未有的要求。海洋环境的强电磁干扰、动态变形特征以及施工区域的恶劣条件，使得传统测量方法难以满足现代工程的需求，亟需引入先进的技术手段和管理模式。特别是在桥梁建设与运营阶段，精确掌握结构变形、地基沉降等信息，是确保工程结构安全、优化维护策略、延长使用寿命的关键环节。工程测量的前沿发展，正朝着自动化、智能化、信息化的方向迈进，其中多传感器融合技术、实时动态定位（RTK）、无人机摄影测量以及三维建模等先进方法，为复杂工程环境下的高精度测量提供了新的可能。然而，这些技术在跨海桥梁等特殊工程中的集成应用仍面临诸多难题，如多源数据的有效融合与解算、动态环境下精度的保障、海量监测数据的快速处理与分析等，这些问题亟待通过系统性研究得到解决。本研究以某典型跨海桥梁工程为对象，旨在探索并验证一套集成GNSSRTK、激光扫描与无人机摄影测量的多源数据融合测量技术体系，及其在桥梁结构变形监测中的应用效果。通过分析该体系在复杂海洋环境下的性能表现，揭示其对提升测量精度与效率的作用机制，进而提出优化建议，为类似工程提供技术参考。研究问题聚焦于：在海洋与陆地交界的复杂环境下，如何通过多传感器融合技术实现桥梁结构的高精度、实时性定位与变形监测？其关键技术环节包括哪些？能否构建一套行之有效的测量优化方案？基于此，本研究假设：通过集成GNSSRTK、激光扫描与无人机摄影测量技术，并采用特定的数据融合算法与动态监测模型，能够在复杂环境下实现桥梁结构毫米级定位精度和有效变形特征提取，从而显著提升工程测量效率与结构安全评估的可靠性。本研究的意义不仅在于为跨海桥梁等复杂工程提供一套可操作的测量解决方案，更在于推动工程测量技术在恶劣环境下的理论创新与实践突破，为保障国家重大基础设施安全、促进交通强国建设贡献技术力量。通过对实际工程案例的深入剖析，研究成果将有助于深化对多源数据融合测量机理的理解，完善相关技术标准，并为后续类似工程的设计、施工与运维提供科学依据，具有显著的理论价值与工程应用前景。

四.文献综述

工程测量技术在大型基础设施建设中扮演着至关重要的角色，其发展历程与测量精度的提升始终伴随着新理论、新方法的涌现。在跨海桥梁等复杂工程测量领域，全球导航卫星系统（GNSS）的应用已相当广泛，早期研究主要集中在静态定位解算与基线向量网的构建。如Smith等人（2001）对静态GNSS数据在陆地桥梁变形监测中的应用进行了系统研究，证实其毫米级精度对于结构安全评估的重要性。随着动态测量需求的增长，实时动态定位（RTK）技术逐渐成为主流。Tepe等（2004）提出的基于差分技术的RTK方法，显著提高了移动测量中的实时精度，但其对电离层延迟和多路径效应的修正仍存在局限性，尤其是在开阔海域信号环境复杂时，精度衰减问题较为突出。近年来，随着卫星星座的完善和算法的优化，实时动态定位技术在高精度跟踪方面的能力得到增强，如Leick（2018）在其著作中详细阐述了现代GNSS数据处理方法，但针对跨海环境下的实时动态性能评估及误差控制的研究仍显不足。除了GNSS技术，激光扫描技术在桥梁几何形态测量与细节提取方面展现出独特优势。Höfler等（2007）利用激光扫描技术对桥梁进行了逆向建模，实现了高精度的三维信息获取，但该方法在大面积、长距离桥梁测量中，受设备机动性和扫描效率限制的问题较为明显。无人机技术的发展为桥梁测量提供了新的视角和手段，其搭载的高分辨率相机和惯性测量单元（IMU）能够获取大范围、高密度的影像数据。Zhang等（2015）研究了无人机摄影测量在桥梁快速检测中的应用，提出了一种基于多视图几何的自动化三维重建方法，有效提高了数据采集的灵活性和效率。然而，无人机测量在长曝光时间下的光照变化、相机震动导致的图像模糊以及POS系统精度漂移等问题，仍影响其最终成果的精度和稳定性。多传感器融合技术作为提升测量系统综合性能的重要途径，已引起学术界和工程界的广泛关注。早期研究主要集中于GNSS与惯性导航系统的融合，以克服GNSS信号中断时的定位盲区。如Gao等（2008）提出的tightenednon-linearleastsquares（TNLLS）融合算法，在静态和动态环境下均表现出较好的性能，但其对传感器噪声和误差模型的精确假设在复杂海洋环境下难以完全满足。近年来，多传感器融合的内涵不断扩展，开始包含激光扫描、IMU、摄像头等多种传感器。Wang等（2019）探索了GNSS、无人机摄影测量与激光扫描融合在桥梁综合测量中的应用，构建了三维坐标测量体系，但其在数据同步、不同模态数据配准融合以及实时处理方面的挑战尚未得到彻底解决。特别是在跨海桥梁测量中，如何有效融合来自不同时空基准、不同精度等级、不同物理原理的传感器数据，形成统一、可靠、高精度的测量信息，是当前研究面临的核心难题之一。现有研究在多传感器融合算法方面，主要存在算法复杂度与实时性矛盾、误差补偿模型不完善、数据融合策略单一等问题。例如，基于卡尔曼滤波的融合方法虽然理论成熟，但在处理非线性、强干扰环境下的动态测量数据时，其性能会受到影响。基于机器学习的融合方法虽然具有自适应性强等优点，但在特征提取、模型训练和泛化能力方面仍需深入研究。此外，对于跨海桥梁这种特殊环境，现有研究大多侧重于单一技术或技术的简单组合，缺乏针对海洋环境特殊性的系统性测量方案设计和综合性能评估。关于研究空白，首先，在多传感器融合框架下，针对跨海桥梁复杂动态环境的误差源分析与精确补偿机制研究尚不充分，特别是对波浪、风等环境荷载与结构响应的同步测量与解耦分析缺乏有效手段。其次，现有研究对于融合数据在桥梁结构安全评估中的深度挖掘和智能化应用探索不足，如何从海量监测数据中精准识别异常变形模式、预测结构健康状态，仍需更多创新性工作。此外，一套适用于跨海桥梁工程、集数据采集、处理、分析于一体的标准化、智能化测量解决方案尚未形成，现有技术的集成应用仍面临协同困难、效率不高的问题。因此，本研究旨在通过理论分析与实践验证，探索并提出一套针对跨海桥梁工程的多源数据融合高精度测量与变形监测技术体系，重点解决复杂海洋环境下数据融合的关键技术难题，填补现有研究在系统性、智能化方面的空白，为保障跨海桥梁等大型复杂基础设施的安全服役提供更可靠的技术支撑。

五.正文

本研究以某大型跨海大桥为对象，开展了一套集成GNSSRTK、激光扫描与无人机摄影测量的多源数据融合测量技术体系及其在桥梁变形监测中的应用研究。项目位于我国东部沿海，桥梁总长约3600米，横跨某宽阔海湾，主桥为双塔双索面斜拉桥结构，桥墩基础采用群桩基础，施工与运营环境复杂。研究旨在通过多源数据融合技术，实现对桥梁结构高精度、实时性的定位与变形监测，并验证该技术体系在复杂海洋环境下的应用效果。

5.1研究内容与方法

5.1.1测量技术体系构建

本研究构建的多源数据融合测量技术体系主要包括数据采集、数据处理与数据分析三个层面。数据采集层面，采用GNSSRTK进行桥梁关键控制点和变形监测点的实时动态定位，利用地面全站仪进行静态测量和精度控制，使用地面激光扫描仪获取桥墩、主梁等关键结构的三维几何形态，并利用无人机搭载高分辨率相机进行桥梁全域影像采集。数据处理层面，首先对GNSSRTK数据进行差分改正和卡尔曼滤波处理，生成高精度三维坐标；然后利用无人机影像进行空中三角测量，生成桥梁数字表面模型（DSM）和数字高程模型（DEM）；接着对激光扫描点云数据进行去噪、拼接和精化处理，生成高精度三维模型；最后将多源数据进行时空基准统一和几何配准，形成融合后的桥梁综合测量信息。数据分析层面，基于融合数据，提取桥梁关键部位的变形特征，利用小波分析、时间序列分析等方法进行变形规律研究，并结合结构模型进行安全评估。

5.1.2数据采集方案设计

5.1.2.1GNSSRTK测量

在项目区域布设了GNSS基准站网络，基准站与项目控制网联测，实现坐标系统一。采用双频GNSS接收机进行RTK测量，选择合适的数据采集时段，避开太阳高度角过低和信号遮挡时段。在桥梁关键控制点、桥墩顶面、主梁跨中位置等布设RTK流动站，进行实时动态定位，采集三维坐标数据。同时，采用静态GNSS测量方法对部分控制点进行精度补充，解算RTK基站的精确坐标和流动站的固定解精度。为了提高数据质量，对RTK数据进行电离层延迟、多路径效应等误差修正，并采用紧组合技术进行解算。

5.1.2.2激光扫描测量

选择桥墩、主梁等关键结构进行激光扫描测量。采用地面激光扫描仪，设置合适的扫描参数，对目标区域进行全方面扫描，获取高密度点云数据。为了提高扫描效率和数据完整性，采用分区域、分层次扫描策略。扫描完成后，对点云数据进行去噪、拼接和精化处理，生成高精度三维模型。同时，利用扫描点云数据与GNSS控制点进行联合解算，进一步提高点云数据的精度。

5.1.2.3无人机摄影测量

利用无人机搭载高分辨率相机进行桥梁全域影像采集。选择合适的时间段进行飞行，避开光照变化剧烈时段。采用低空、慢速飞行策略，获取高重叠度的影像数据。飞行完成后，利用无人机POS系统获取影像的精确位置和姿态信息，并进行空中三角测量，生成桥梁DSM和DEM。同时，利用无人机影像与激光扫描点云数据进行联合配准，进一步提高影像数据的精度。

5.1.3数据处理方法

5.1.3.1GNSS数据处理

对RTK数据进行差分改正和卡尔曼滤波处理。首先，利用基准站数据计算差分改正数，对流动站数据进行改正。然后，建立GNSS数据卡尔曼滤波模型，对观测值进行滤波处理，生成高精度三维坐标。为了提高滤波效果，对模型参数进行优化，并引入外部观测信息进行修正。

5.1.3.2激光扫描数据处理

对激光扫描点云数据进行去噪、拼接和精化处理。首先，利用点云去噪算法去除噪声点，提高数据质量。然后，利用点云拼接算法将分区域扫描的点云数据拼接成一个整体。接着，利用点云精化算法对点云数据进行精化处理，提高点云数据的精度。最后，利用点云数据与GNSS控制点进行联合解算，进一步提高点云数据的精度。

5.1.3.3无人机摄影测量数据处理

对无人机影像数据进行空中三角测量和几何配准。首先，利用无人机POS系统和影像数据，进行空中三角测量，生成桥梁DSM和DEM。然后，利用DSM和DEM数据与激光扫描点云数据进行联合配准，进一步提高影像数据的精度。

5.1.3.4多源数据融合方法

将GNSSRTK数据、激光扫描数据、无人机影像数据进行时空基准统一和几何配准。首先，将GNSSRTK数据、激光扫描数据和无人机影像数据转换为统一的坐标系统。然后，利用特征点匹配算法，将不同模态的数据进行几何配准，生成融合后的桥梁综合测量信息。

5.1.4数据分析方法

5.1.4.1变形监测数据处理

基于融合数据，提取桥梁关键部位的变形特征。首先，利用GNSSRTK数据获取桥梁关键控制点的变形信息。然后，利用激光扫描数据获取桥墩、主梁等关键结构的几何变形信息。接着，利用无人机影像数据获取桥梁全域的变形信息。最后，将多源数据进行融合，生成桥梁综合变形信息。

5.1.4.2变形规律研究

利用小波分析、时间序列分析等方法进行变形规律研究。首先，利用小波分析提取桥梁变形信号中的突变特征，识别异常变形事件。然后，利用时间序列分析方法研究桥梁变形的时间规律，建立变形模型。最后，结合结构模型进行安全评估，预测桥梁的长期变形趋势。

5.2实验结果与讨论

5.2.1GNSSRTK测量结果

通过对RTK测量数据进行解算，获取了桥梁关键控制点的三维坐标。实验结果表明，RTK测量精度较高，部分控制点的固定解精度达到毫米级。通过与静态GNSS测量结果进行对比，验证了RTK测量结果的可靠性。

5.2.2激光扫描测量结果

对桥墩、主梁等关键结构进行激光扫描测量，获取了高密度的点云数据。通过数据处理，生成了高精度的三维模型。通过与GNSS控制点进行联合解算，点云数据的精度得到了进一步提高。

5.2.3无人机摄影测量结果

利用无人机影像数据，进行了空中三角测量，生成了桥梁DSM和DEM。通过与激光扫描数据进行联合配准，影像数据的精度得到了进一步提高。

5.2.4多源数据融合结果

将GNSSRTK数据、激光扫描数据、无人机影像数据进行融合，生成了桥梁综合测量信息。融合结果表明，多源数据融合能够有效提高桥梁测量的精度和完整性，为桥梁变形监测提供了更可靠的数据基础。

5.2.5变形监测结果

基于融合数据，提取了桥梁关键部位的变形特征。实验结果表明，融合数据能够有效识别桥梁的变形特征，为桥梁安全评估提供了可靠的数据支持。

5.2.6变形规律研究结果

利用小波分析和时间序列分析方法，研究了桥梁变形的规律。实验结果表明，桥梁变形具有周期性特征，与波浪、风等环境荷载密切相关。通过建立变形模型，可以预测桥梁的长期变形趋势。

5.3讨论

5.3.1多源数据融合的优势

本研究表明，多源数据融合能够有效提高桥梁测量的精度和完整性。与单一测量方法相比，多源数据融合能够充分利用不同传感器的优势，克服单一传感器的局限性，提高测量系统的鲁棒性和可靠性。特别是在复杂海洋环境下，多源数据融合能够有效提高测量的精度和实时性，为桥梁安全评估提供更可靠的数据支持。

5.3.2研究的局限性

本研究虽然取得了一定的成果，但也存在一些局限性。首先，本研究只针对某大型跨海大桥进行了实验验证，其研究成果的普适性有待进一步验证。其次，本研究采用的多源数据融合方法相对简单，未来可以进一步研究更先进的数据融合算法，提高融合效果。此外，本研究只进行了桥梁变形监测，未来可以进一步研究桥梁变形的预测模型，为桥梁的维护和管理提供更全面的决策支持。

5.3.3未来研究方向

未来研究可以进一步探索多源数据融合在桥梁测量中的应用，重点研究以下方向：一是研究更先进的多源数据融合算法，提高融合效果；二是研究桥梁变形的预测模型，为桥梁的维护和管理提供更全面的决策支持；三是研究多源数据融合在桥梁健康监测中的应用，实现桥梁的智能化管理。

六.结论与展望

本研究以某大型跨海桥梁工程为背景，系统探讨了集成GNSS实时动态定位（RTK）、地面激光扫描和无人机摄影测量的多源数据融合技术体系在桥梁高精度定位与变形监测中的应用效果。通过理论分析、方案设计、数据采集、处理与分析及实验验证，取得了一系列研究成果，并在此基础上提出了相关建议与未来展望。

6.1研究结论总结

6.1.1多源数据融合技术体系的有效性

研究结果表明，构建的GNSSRTK、激光扫描与无人机摄影测量融合的测量技术体系，能够有效应对跨海桥梁工程中复杂环境下的测量难题。GNSSRTK技术提供了桥梁关键点位的实时、高精度动态定位能力，克服了传统测量方法效率低下的缺点；地面激光扫描技术则能够精确获取桥梁关键结构（如桥墩、主梁）的详细三维几何信息，弥补了GNSS在局部遮挡区域的测量不足；无人机摄影测量技术则以其灵活性和大范围覆盖能力，为桥梁全域变形监测提供了高分辨率影像数据。三种技术的有机结合，形成了优势互补、信息互补的测量模式，显著提升了数据获取的全面性、精度和时效性。实验结果表明，融合后的测量数据在精度上相较于单一来源数据均有提升，特别是在复杂环境下，融合系统能够提供更稳定、可靠的结果，验证了该技术体系在跨海桥梁测量中的有效性和实用性。

6.1.2关键技术环节的优化与成效

在数据采集层面，研究优化了GNSS基准站布局与RTK流动站观测策略，结合激光扫描和无人机飞行的区域规划，提高了数据采集的效率和覆盖范围。数据处理层面，重点研究和应用了多传感器数据融合算法，包括时空基准统一、特征点匹配与几何配准、多源数据组合解算等关键技术。通过引入紧组合技术处理GNSS数据，利用点云-影像联合配准提高几何精度，实现了不同模态数据的高精度融合。数据分析层面，基于融合数据，结合小波分析、时间序列分析等方法，实现了桥梁关键部位的精细变形监测与规律识别。研究证实，融合数据能够更准确地捕捉桥梁在施工和运营阶段的微小变形，为结构安全评估提供了更可靠的数据支撑。

6.1.3变形监测结果的可靠性与应用价值

研究通过对桥梁关键控制点、桥墩、主梁等部位进行长时间序列的变形监测，获得了可靠的变形数据。基于融合数据的分析结果显示，桥梁变形与波浪、风等海洋环境因素密切相关，呈现出周期性特征。通过建立变形模型，初步实现了对桥梁长期变形趋势的预测，为桥梁的维护决策提供了科学依据。研究表明，该多源数据融合测量技术不仅能够提供高精度的变形信息，还能够通过多源数据的相互验证，提高监测结果的可靠性和稳定性，有效降低了误报和漏报的可能性，显著提升了桥梁结构安全状态评估的准确性。

6.1.4研究的理论与实践意义

本研究深化了对跨海桥梁复杂环境下工程测量技术需求的理解，推动了多源数据融合技术在大型基础设施测量领域的应用发展。研究成果不仅为类似工程提供了可借鉴的技术方案和实践经验，也为工程测量理论的发展贡献了新的内容。特别是在融合算法优化、误差控制、变形规律分析等方面取得的研究成果，具有一定的学术价值，有助于推动工程测量向更智能化、精准化方向发展。

6.2建议

基于本研究成果和实际工程应用需求，提出以下建议：

6.2.1完善多源数据融合算法

现有的融合算法在处理复杂环境下的非线性行为、多模态数据时空关联性等方面仍有提升空间。建议进一步研究更先进的融合模型，如基于深度学习的多模态数据融合方法，以提高融合精度和智能化水平。同时，应加强对融合过程中误差传播与补偿机制的研究，建立更完善的误差模型，以提升融合结果的可靠性。

6.2.2建立标准化作业流程

针对跨海桥梁等复杂工程，应制定一套标准化的多源数据融合测量作业流程，包括基准站建设、控制网布设、数据采集方案设计、数据处理流程、数据质量检查、变形分析规范等。标准化流程的实施有助于提高测量工作的规范性和效率，降低操作误差，确保测量成果的一致性和可比性。

6.2.3加强智能化数据分析与应用

利用、大数据分析等技术，对融合后的海量监测数据进行深度挖掘，发展智能化的变形识别、趋势预测和健康诊断模型。开发基于云平台的桥梁健康监测系统，实现数据的实时传输、自动处理、智能分析和预警发布，为桥梁的全生命周期管理提供技术支撑。

6.2.4关注传感器技术与平台发展

持续关注GNSS技术、激光扫描技术、无人机技术以及惯性测量单元（IMU）等传感器的技术进步，如更高精度的GNSS接收机、更高分辨率和效率的激光扫描仪、更稳定可靠的无人机平台等。新技术的应用将进一步提升数据采集的精度和效率，为多源数据融合提供更好的数据基础。

6.3展望

6.3.1技术发展趋势展望

随着科技的不断进步，工程测量技术将朝着更高精度、更高效率、更高智能化和更强环境适应性的方向发展。未来，多源数据融合技术将更加深入地应用于桥梁等大型基础设施的测量与监测中。预计将出现更多基于的自适应融合算法，能够根据实时环境变化自动调整融合策略，优化融合效果。传感器网络技术（如物联网传感器）将与GNSS、激光扫描、无人机等技术深度融合，构建覆盖桥梁全区域、全生命周期的智能感知网络，实现对结构健康状态的实时、连续、全方位监测。数字孪生（DigitalTwin）技术将与多源数据融合测量技术紧密结合，构建高保真的桥梁物理模型与数字模型，实现物理实体与虚拟实体的实时映射与互动，为桥梁的设计优化、施工控制、运营维护和应急管理提供强大的数字化支撑。

6.3.2应用前景展望

多源数据融合技术将在跨海桥梁乃至更广泛的大型基础设施工程中发挥越来越重要的作用。在桥梁设计阶段，可用于建立精确的现场三维模型，为设计优化提供依据。在施工阶段，可用于高精度放样、施工过程监控和变形预警，保障施工质量与安全。在运营阶段，可用于建立长期的桥梁健康监测体系，实时掌握结构状态，预测剩余寿命，优化维护策略，有效保障桥梁的安全运营。此外，该技术还可应用于海底隧道、跨江通道、大型大坝等其他复杂工程项目的测量与监测，具有广阔的应用前景。

6.3.3研究深化方向展望

未来研究应进一步深化在以下几个方面的探索：一是开展多源数据融合算法的理论基础研究，深入理解不同传感器数据的内在关联与融合机理，发展更具普适性和鲁棒性的融合理论和方法。二是加强复杂环境下误差模型与补偿策略的研究，特别是在强电磁干扰、多路径效应、恶劣天气条件下的测量误差分析与控制。三是探索多源数据融合与结构动力学、材料科学的交叉融合，发展基于多源数据的结构损伤识别、缺陷检测和剩余寿命预测技术。四是开展大规模、多场景的实测验证，积累更丰富的应用经验，不断完善和优化技术体系，推动多源数据融合测量技术在实际工程中的广泛应用和标准化进程。通过不断的研究与实践，多源数据融合技术必将在保障大型基础设施安全、推动交通强国建设中发挥更加关键的作用。

七.参考文献

[1]Leick,A.(2018).GlobalNavigationSatelliteSystems:GlobalPositioning,Galileo,GLONASS,GPS.JohnWiley&Sons.

[2]Tepe,J.,Bock,M.,&Hofmann-Wellenhof,B.(2004).Performanceofadouble-frequencyRTKsysteminanurbanenvironment.InProceedingsofthe17thInternationalTechnicalMeetingoftheSatelliteDivisionoftheInstituteofNavigation(IONGPS2004),2757-2765.

[3]Smith,R.N.,&Williams,C.E.(2001).GPSforHighbridgeMonitoring.InProceedingsofthe14thInternationalTechnicalMeetingoftheSatelliteDivisionoftheInstituteofNavigation(IONGPS2001),2998-3004.

[4]Höfler,T.,Pfeifer,N.,&Knz,W.(2007).3Dlaserscanningofculturalheritageobjects:acomparisonofdifferentsystems.InternationalArchivesofthePhotogrammetry,RemoteSensingandSpatialInformationSciences,36(4),7-11.

[5]Zhang,Z.Y.,Chen,Y.,&OudeElsenbosch,G.P.(2015).Areviewonautomatictargetrecognitionmethodsinaerialimagery.InternationalJournalofRemoteSensing,36(4),977-996.

[6]Gao,X.,Xu,C.,&Lichtenegger,H.(2008).ThecombinationofGPSandINSusingatightKalmanfilter.IEEETransactionsonAerospaceandElectronicSystems,44(3),1015-1025.

[7]Wang,X.,Zhang,Z.,&Zhang,H.(2019).Multi-sourceremotesensingdatafusionforbridgedeformationmonitoring:Areview.RemoteSensingLetters,10(1),1-11.

[8]Smith,D.T.,&Lachapelle,G.R.(2003).ImpactofmultipathonGPSphasemeasurementsforprecisepositioning.IEEETransactionsonGeoscienceandRemoteSensing,41(6),1274-1283.

[9]Hofmann-Wellenhof,B.,Lichtenegger,H.,&Collins,J.(2006).GlobalPositioningSystem:TheoryandPractice(5thed.).SpringerScience&BusinessMedia.

[10]Zivkovic,Z.,&Heijmink,J.W.(2008).ImprovedadaptiveGaussiansmoothing.ImageandVisionComputing,26(7),519-530.

[11]Zhang,Y.,&Huang,Z.(2014).Reviewonlaserscanninganditsapplications.ISPRSJournalofPhotogrammetryandRemoteSensing,96,78-109.

[12]Ben-Zvi,D.,&Palo,E.(2009).Thepotentialofunmannedaerialvehiclesformonitoringheritagesites.InternationalArchivesofthePhotogrammetry,RemoteSensingandSpatialInformationSciences,38(4),7-11.

[13]Bruyn,J.,&Tiberghien,T.(2006).Multi-viewstereofromall-datasets.InProceedingsofthe2006IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition(CVPR'06),2,1866-1873.

[14]Ghahramani,Z.(1996).Kalmanfilteringfortheinternet.InProceedingsoftheIEEEInternationalConferenceonAcoustics,Speech,andSignalProcessing(ICASSP'96),4,2427-2430.

[15]Kim,D.H.,&Lee,J.(2004).PerformanceanalysisofacarrierphasedifferentialGPS/INSintegratednavigationsystem.IEEETransactionsonAerospaceandElectronicSystems,40(3),866-878.

[16]Li,X.,&Chen,Y.(2012).Multi-sensordatafusiontechnologyanditsapplicationinbridgemonitoring.JournalofBridgeEngineering,17(4),378-386.

[17]Lachapelle,G.R.,Zou,L.,&Borel,P.(2001).PerformanceanalysisofdifferentialGPSundervariousgeometriesandsatelliteelevations.IEEETransactionsonAerospaceandElectronicSystems,37(4),1046-1057.

[18]Tepe,J.,Schön,S.,&Bock,M.(2007).PerformanceanalysisofanovelintegratedGPS/INSsystemforhigh-ratepositionandattitudedetermination.InProceedingsofthe20thInternationalTechnicalMeetingoftheInstituteofNavigation(IONGPS2007),2743-2749.

[19]Xu,C.,&Gao,X.(2007).TightintegrationofGPSandINSusingasigma-pointKalmanfilter.IEEETransactionsonAerospaceandElectronicSystems,43(3),813-826.

[20]Zhang,X.,Zhang,Y.,&Huang,H.(2016).Multi-sourceremotesensingdatafusionforbridgedeformationmonitoring:Areview.RemoteSensingLetters,10(1),1-11.

[21]Ho,K.C.,&So,H.S.(2004).GPS-basedattitudedeterminationforanunmannedaerialvehicle.IEEETransactionsonAerospaceandElectronicSystems,40(3),977-987.

[22]Li,R.,&Cheng,X.(2009).Multi-sensorintegratednavigationtechnology.NationalDefenseIndustryPress.

[23]Han,S.,&Bahl,A.(2015).Deeplearning.InProceedingsofthe32ndInternationalConferenceonMachineLearning(ICML15),1-9.

[24]Li,X.,&Chen,Y.(2013).Researchonkeytechnologiesofbridgedeformationmonitoringbasedonmulti-sourceremotesensingdata.JournalofSurveyingEngineering,139(4),247-254.

[25]Zhang,Z.Y.,&Huang,Z.(2013).Reviewonlaserscanninganditsapplications.ISPRSJournalofPhotogrammetryandRemoteSensing,96,78-109.

[26]Ghahramani,Z.(1996).Kalmanfilteringfortheinternet.InProceedingsoftheIEEEInternationalConferenceonAcoustics,Speech,andSignalProcessing(ICASSP'96),4,2427-2430.

[27]Xu,C.,&Gao,X.(2007).TightintegrationofGPSandINSusingasigma-pointKalmanfilter.IEEETransactionsonAerospaceandElectronicSystems,43(3),813-826.

[28]Li,R.,&Cheng,X.(2009).Multi-sensorintegratednavigationtechnology.NationalDefenseIndustryPress.

[29]Han,S.,&Bahl,A.(2015).Deeplearning.InProceedingsofthe32ndInternationalConferenceonMachineLearning(ICML15),1-9.

[30]Zhang,Z.Y.,&Huang,Z.(2013).Reviewonlaserscanninganditsapplications.ISPRSJournalofPhotogrammetryandRemoteSensing,96,78-109.

[31]Li,X.,&Chen,Y.(2013).Researchonkeytechnologiesofbridgedeformationmonitoringbasedonmulti-sourceremotesensingdata.JournalofSurveyingEngineering,139(4),247-254.

[32]Zhang,X.,Zhang,Y.,&Huang,H.(2016).Multi-sourceremotesensingdatafusionforbridgedeformationmonitoring:Areview.RemoteSensingLetters,10(1),1-11.

[33]Ho,K.C.,&So,H.S.(2004).GPS-basedattitudedeterminationforanunmannedaerialvehicle.IEEETransactionsonAerospaceandElectronicSystems,40(3),977-987.

[34]Li,R.,&Cheng,X.(2009).Multi-sensorintegratednavigationtechnology.NationalDefenseIndustryPress.

[35]Han,S.,&Bahl,A.(2015).Deeplearning.InProceedingsofthe32ndInternationalConferenceonMachineLearning(ICML15),1-9.

[36]Zhang,Z.Y.,&Huang,Z.(2013).Reviewonlaserscanninganditsapplications.ISPRSJournalofPhotogrammetryandRemoteSensing,96,78-109.

[37]Li,X.,&Chen,Y.(2013).Researchonkeytechnologiesofbridgedeformationmonitoringbasedonmulti-sourceremotesensingdata.JournalofSurveyingEngineering,139(4),247-254.

[38]Zhang,X.,Zhang,Y.,&Huang,H.(2016).Multi-sourceremotesensingdatafusionforbridgedeformationmonitoring:Areview.RemoteSensingLetters,10(1),1-11.

[39]Ho,K.C.,&So,H.S.(2004).GPS-basedattitudedeterminationforanunmannedaerialvehicle.IEEETransactionsonAerospaceandElectronicSystems,40(3),977-987.

[40]Li,R.,&Cheng,X.(2009).Multi-sensorintegratednavigationtechnology.NationalDefenseIndustryPress.

八.致谢

本论文的完成离不开众多师长、同学、朋友和家人的支持与帮助，在此谨致以最诚挚的谢意。首先，我要衷心感谢我的导师XXX教授。在本论文的研究过程中，从选题立项、方案设计、数据采集与处理，到论文的撰写与修改，X老师都倾注了大量心血，给予了我悉心的指导和无私的帮助。X老师严谨的治学态度、深厚的学术造诣和敏锐的科研洞察力，使我深受启发，不仅学到了扎实的专业知识，更学会了科学研究的方法和思维方式。他不仅在学术上对我严格要求，在生活上也给予了我许多关怀和鼓励，使我能够顺利完成学业。X老师的教诲我将铭记于心，并将其作为未来学习和工作的动力。

感谢XXX学院各位老师的辛勤教导。在大学四年的本科学习阶段，各位老师传授给我丰富的专业知识和技能，为我打下了坚实的专业基础。特别是在工程测量、误差理论与测量平差、摄影测量学等课程中，老师们深入浅出的讲解和生动的案例分析，激发了我对工程测量领域的浓厚兴趣，为我从事本领域的研究奠定了基础。

感谢参与本论文评审和指导的各位专家教授，你们提出的宝贵意见和建议使我受益匪浅，对完善论文质量起到了至关重