卡尔曼滤波是一种具有高实效性的递归滤波器,其作用在于能从含噪声的观测量中估计动态系统的状态。在GNSS导航领域,卡尔曼滤波能够充分利用载体的运动模型信息和量测信息对载体状态进行实时估计,但当运动模型不准确、观测量存在异常等问题出现时,卡尔曼滤波结果将不能如实反映载体的实际状态。因此本文以卡尔曼滤波为基础,提出若干技术或改进算法来改善GNSS导航的精度和鲁棒性:针对卡尔曼滤波中运动模型失配的问题,研究了一种改进的交互式多模型方法。该方法能够以匀速直线模型、匀加速模型、当前统计模型等多种单一运动模型建立模型集,利用马尔科夫性假设,并实时修正模型间的转移概率,具备良好的目标跟踪能力。考虑到常规卡尔曼滤波或扩展卡尔曼滤波不能较好地处理非线性系统、无迹卡尔曼滤波和容积卡尔曼滤波易受协方差非严格正定的影响、运动模型失配扭曲滤波解等问题,研究了一种强跟踪简化型平方根容积卡尔曼滤波算法。实验证明,该算法适用于强非线性系统、数值稳定性高、计算效率高、跟踪能力强。基于先验信息能够改善滤波精度,分别提出了速度、道路、高程三种先验信息对动态定位的约束滤波算法。速度约束是以速度是位置对时间的一阶导数为基础,通过速度值的变异系数构建自适应因子,自适应地对滤波结果实施约束;道路约束则是直接建立先验信息与位置参数的约束关系而得到约束解;高程约束中,分别利用投影法和伪观测法进行约束滤波,分析了扩展卡尔曼滤波和确定采样型滤波在利用伪观测法时的区别,论证了困难环境下伪观测法高程辅助定位原理,并给出了定位精度分析方法。为解决常规自适应抗差滤波的异常检测基准问题,研究了两种新的自适应抗差滤波算法。一种是基于观测粗差探测修复方法的自适应抗差滤波算法;另一种是基于接收机自主正直性监测方法的自适应抗差滤波算法。实验证明,与常规自适应抗差滤波算法相比,新的自适应抗差滤波算法不依赖异常检测基准,应用范围广,鲁棒性高。同时,基于多普勒观测值的粗差探测修复,提出一种能稳健测速的抗差最小二乘测速算法。