基于地基GPS观测网的倾斜路径观测，应用层析方法可获得中小尺度的大气水汽三维结构。一般的层析方法中，每个时次的反演一般是独立进行的，或者采用了传统Kalman滤波的方法。但是传统的kalman滤波方法来提高反演精度存在种种限制。为获取精确的水汽结构信息，本项研究拟采用一种新的方法，即神经网络算法辅助Kalman滤波的方法来提高层析反演的精度。通过学习和训练确定神经网络结构和参数，将确定的能直接影响估计误差的参数作为神经网络的输入，输出Kalman滤波估计的误差来校正Kalman估计。将上述新的层析方案应用到不同地区不同天气背景下的GPS观测试验，产生高精度水汽廓线资料，并与一般层析方法进行对比。综合其他水汽资料来源包括探空、卫星遥感、山基探测湿度廓线来对比检验新的层析结果。