在测量数据处理中,有许多问题都需要通过回归建模来解决,其中以线性回归较为常见。为了得到线性回归参数的最佳估值,通常是在经典的高斯-马尔科夫(G-M)模型下采用最小二乘方法来进行求解。然而G-M模型假定系数矩阵是确定的不含误差的值,对于实际问题中如线性拟合、GPS高程拟合、三维激光点云拟合等线性回归模型,其观测向量和系数矩阵都含有误差。这时,采用最小二乘方法便不能得到最优解,对于此类问题需要采用总体最小二乘方法,因为总体最小二乘方法能同时考虑两者的误差,得到参数的最佳估值。但传统的总体最小二乘算法不能顾及线性回归模型系数矩阵中的常数列,一般的解法是采用混合总体最小二乘法或者加权总体最小二乘法。但混合总体最小二乘法解算过程复杂,而加权总体最小二乘法则并非直接解算。因此,对于线性回归模型的总体最小二乘平差算法有必要进行进一步研究。本文在总体最小二乘现有研究成果的基础上,针对线性回归模型的总体最小二乘平差算法展开了进一步研究,并对其扩展算法进行了探讨。主要内容包括：(1)详细阐述了测量数据处理中的线性回归建模及其平差模型,针对其特点提出了变换EIV模型,并对几种平差模型进行了对比分析；(2)在EIV模型和变换EIV模型下,根据总体最小二乘平差准则提出了几种线性回归总体最小二乘平差算法并通过算例分析对算法进行了验证；(3)在此基础上,探讨了线性回归总体最小二乘的几种扩展算法(加权、结构、抗差总体最小二乘算法)；(4)将本文提出的算法用于测量数据处理实例中,通过分析对比验证了算法的有效性和可行性。