摘要：增益修改的卡尔曼滤波（MGEKF）算法在实际应用时,一般使用带有误差的测量值代替真实值进行增益修正计算,导致修正结果也被误差污染。针对这一问题,提出一种基于反向传播神经网络（BPNN）改进的MGEKF算法,该算法使用训练后的神经网络代替MGEKF的增益修正函数。该算法在网络训练阶段,以实际测量值作为神经网络的输入,真实值修正后的结果作为训练目标;在实际应用中,使用网络的输出修正卡尔曼增益。针对移动单站只测向目标定位问题进行了实验,实验结果表明：该算法与扩展卡尔曼滤波（EKF）、MGEKF、平滑增益修改的卡尔曼滤波（sMGEKF）算法相比：定位精度至少提升10%,并且有更强的稳定性。