在空间参考系统参数未知且高精度控制点数量有限的工程场景中，传统直接转换模型精度受限，神经网络回归又易过拟合且可信度难以评估。本文提出一种基于神经网络双阶段判定的小样本投影坐标直接转换方法，将连续数值回归问题重构为“误差范围与方向”的分类判定问题，并结合概率修正模型提升单点转换精度与稳定性。
工程实践中常遇到坐标系投影参数不完整、历史数据来源复杂、可用控制点数量有限等问题，这使得直接坐标转换成为 GIS 与测绘工程中的关键技术。
二参数、四参数、六参数及多项式等直接转换模型依赖控制点分布质量。当控制点稀疏或空间分布不均时，转换误差明显增大。
将坐标转换直接视作连续数值回归，虽能拟合非线性关系，但在小样本条件下泛化能力差，且难以解释单点误差变化趋势。
常规神经网络给出坐标值，却难以量化该结果是否可信，也无法有效判断修正方向是否会降低单点误差。
本文的关键思想是：不让神经网络直接预测目标坐标，而是让其判断初始转换误差的范围与方向，再用概率模型进行坐标修正。
基于已知控制点集合，首先采用仿射变换六参数模型得到未知点在目标坐标系下的初始估计值。该步骤提供稳定的基准结果，也为后续误差修正提供参考。
将空间分布特征输入神经网络，使模型学习“控制点空间格局—初始转换误差类别”之间的关系。模型输出不再是坐标值，而是误差落入某类区间及可能修正方向的概率。
利用贝叶斯思想整合两阶段判定结果，对初始转换坐标进行概率加权修正。通过“先判断是否需要修正，再判断如何修正”的机制，提高单点转换稳定性。
给定控制点在参考系 A 与 B 下的投影坐标，目标是在参数未知条件下推求未知点的 B 系坐标。
神经网络的角色由“直接预测器”转为“误差判定器”，更适合小样本场景下的稳健转换。
该方法并非用神经网络完全替代经典转换模型，而是在经典仿射转换基础上引入可控的误差判定与概率修正，从而降低小样本过拟合风险。
该研究为小样本、参数未知条件下的投影坐标直接转换提供了一种新的建模范式：以传统模型为基线，以神经网络判定误差，以概率模型约束修正。
将坐标转换从连续数值回归转化为误差类别判定，使神经网络更适合小样本工程场景，并增强了误差控制能力。
双阶段判定与贝叶斯概率修正能够为单点转换提供更稳健的误差修正策略，降低盲目修正带来的精度波动。
可服务于历史测绘成果转换、工程坐标系整合、地方独立坐标系衔接及多源 GIS 数据融合等场景。