目前GPS卫星定位系统在测绘领域的应用主要体现在平面控制测量中，而高程测量方面由于受坐标系统不一致、观测误差等因素的影响，其精度一直被认为不太可靠，仪器的标称精度也较平面定位精度低，这在很大程度上制约了GPS技术在高程测量中的应用。为了实现GPS在高程中的应用，到目前为止已经做大量科学研究和实践，出现了各种GPS高程转换的方法，这些方法大致可归为三类：几何解析法、物理大地测量法、神经网络法。对于我国来说重力资料匮乏，所以建立在物理大地测量法上的GPS高程转换需要增加重力测量工作。因此目前对几何解析法和神经网络法在GPS高程转换方面的研究最为普遍，但这些方法都或多或少的存在一些缺陷。本文在总结前人研究的基础上给出了一种GPS高程转换的新方法：GA-GRNN法，即利用遗传算法的全局寻优特性来优化广义回归神经网络中的光滑因子，从而提高广义回归神经网络的高程转换精度。实现这一方法首先通过对遗传算法和广义回归神经网络的理论论证来说明该方法的可行性，然后通过具体实验与二次曲面拟合法、BP神经网络法、RBF神经网络法、广义回归神经网络法的转换结果进行对比来研究探讨新方法的优越性。通过实验表明遗传算法和广义回归神经网络的结合，能充分发挥遗传算法在全局搜索方面的优越性，避免了人为选择光滑因子的局限性，该组合方法对广义回归神经网络的优化效果明显，而且运算速度较快，整体逼近性能良好，高程转换结果较理想，完全能满足大比例尺测图的需要；而且较之于二次曲面拟合法，避免了模型误差，较之于BP神经网络法，避免了陷入局部最优，较之于RBF神经网络法，避免了多个参数寻优的繁琐，较之于GRNN法，避免了对SPREAD参数的不断尝试，因此GA-GRNN法具有良好的转换精度和较高的转换效率；最后GA-GRNN法较之于其他传统GPS高程转换方法具有较高的泛化能力，对于参与拟合的点位数量和分布状况的依赖性有所减弱，所以在缺乏数据点或数据点分布不均匀的情况下优先考虑GA-GRNN法。综上所述，基于遗传算法优化广义回归神经网络进行GPS高程转换的方法是切实可行，且具有实际应用精度。