随着地理位置服务(Location Based Service,LBS)的日益普及,人们需要全球定位系统(Global Positioning System,GPS)接收机提供室内以及城市复杂环境下全方位的定位与导航服务。传统的高灵敏度GPS捕获算法在弱信号场景下捕获计算量极大,因此高灵敏度GPS捕获算法的计算量优化意义重大。首先,本文研究了GPS捕获中信号检测算法与参数搜索策略对捕获计算量以及捕获灵敏度的影响。其次,本文设计了一种动态驻留GPS捕获策略(Dynamic Dwell Acquisition Strategy,DDAS)。该捕获策略在不同参数块上动态地进行两次驻留捕获,通过减少捕获成功时需要搜索的参数数量以及复用两次驻留的检测量降低了GPS捕获计算量。然后,本文设计了一种基于卷积神经网络的GPS信号检测算法(Correlation Envelope Identity-Neural Network,CEI-NN)。该信号检测算法采用卷积神经网络(Convolutional Neural Network,CNN)检测信号检测量的包络特征,通过减少信号检测需要的信号积分时间降低了GPS捕获计算量。最后,本文根据DDAS和CEI-NN实现了基于CNN的GPS动态驻留捕获算法(Dynamic Dwell/Neural Network,DD/NN)的软件原型。该原型基于折叠匹配滤波器和多路混频器的捕获架构,通过切换CEI-NN信号检测算法和MAX-TC信号检测算法在参数块上动态地驻留捕获。本文基于GPS星座模拟器信号对DD/NN捕获算法、最大值捕获算法(Maximum,MAX)和双驻留/最大值捕获算法(Double Dwell/Maximum,DD/MAX)进行了蒙特卡罗仿真。仿真结果表明,在接收信号功率为-146dBm时,DD/NN的捕获概率为61%,捕获虚警概率低于1%。此时,DD/NN的捕获概率相比MAX和DD/MAX提高了20%,DD/NN的捕获计算量分别为MAX和DD/MAX的17.6%和16.6%。