多传感器技术的出现极大地推动了车载定位技术的发展,结束了过去单独使用GPS或DR导航系统进行车辆定位的时代,将GPS和DR导航定位技术融合在一起,使车辆定位的精确度大大提高。在诸多信息融合理论中,Kalman滤波理论因为其具有递推特性,实时性强,便于计算机存储和计算,被普遍接受,并得到了迅速的发展和广泛的应用,用于GPS/DR组合导航定位信息融合的联邦Kalman滤波算法就是在这一背景下成熟起来的。联邦Kalman滤波的算法思路是将GPS和DR两个导航定位系统分别作为子系统,在各自的滤波算法下先行进行滤波计算,再将各自滤波后的结果输入主滤波器,在主滤波器中通过模糊综合评价算法和动态信息分配系数优化算法得到的动态分配系数将两个子系统滤波后的结果进行最优化融合。标准Kalman滤波虽然优点突出,但其缺点也同样明显,即要求所求解的状态向量的系统状态和观测方程必须为线性的,而且其噪声必须为白噪声。这一缺陷极大地限制了标准Kalman滤波的使用。本文针对GPS和DR各自系统方程的特征和假设在复杂的有色互相关噪声的工作条件下,对GPS子系统采用Kalman滤波,对其有色互相关噪声做函数变换,使其变换为“新”函数下的“白”噪声函数,应用标准Kalman滤波算法对其进行滤波;对DR子系统采用结合UKF和PF的各自特点所产生的UPF滤波算法,并为防止其滤波粒子发生衰竭而进行改进,得到改进的UPF滤波算法。本文对GPS和DR两个子滤波算法进行了严谨的数学推导,分别给出了其滤波算法的流程图和实现滤波器的运行结构图。最后利用MATLAB仿真,检验了组合滤波算法的可行性和比单独子系统滤波的位置输出更精确的优点。