微机电（Micro Electro Mechanical System,MEMS）捷联惯性导航系统具有成本低、体积小以及功耗低等特点,因此被广泛应用于移动机器人、无人驾驶以及行人导航等各个领域。但是MEMS惯性测量单元（Inertial Measurement Unit,IMU）的低精度导致导航系统误差在短时间内迅速积累并发散,从而影响导航系统的性能,同时对准精度直接影响系统的导航精度,因此初始对准技术是捷联惯导系统的关键技术之一。本文为提高MEMS捷联惯性导航系统初始对准精度,从而提高系统导航精度,增强环境适用性,针对基于深度学习的捷联惯导系统初始对准技术进行了深入的研究。（1）对采用冗余技术的MEMS惯性导航系统,在确定了系统冗余IMU的几何配置与数量配置方案的基础上,提出了一种基于自动编码器的冗余IMU系统模型构建方案。该方案通过将冗余配置的MEMS IMU数据进行最优估计,实现系统建模。实验结果表明该方法是有效的。（2）针对传统的基于卡尔曼滤波的初始对准方法对外部设备的依赖问题,提出了一种基于深度学习的状态估计初始对准方法。该方法通过搭建的深度学习网络框架进行训练,实现根据IMU数据检测载体零速,同时将其作为参考信息,设计了不变扩展卡尔曼滤波算法进行信息融合,实现初始对准。实验结果表明,所提出的方法是可行有效的。（3）针对传统初始对准中卡尔曼滤波方法的各种限制条件,提出了一种基于深度学习的初始对准方法,搭建了的一维卷积网络框架。通过学习确定导航系统的初始姿态矩阵。最后与基于卡尔曼滤波进行初始对准的传统方法进行了比较,实验结果表明横摇角、纵摇角和航向角误差分别减小了48.88%,36.09%和43.28%,证明所提出的方法是可行有效的。（4）为了进一步验证本文提出方法的有效性与可行性,集成基于自动编码器的冗余IMU系统建模与基于深度学习的初始对准技术,对其进行实验验证。将其与传统方法的实验结果进行对比与分析,结果表明,航向角误差减小了46.18%。