卡尔曼滤波器(Kalman Filter)是一种基于最小方差意义下的时域滤波方法,通过状态空间方程描述系统状态,递推估计系统状态输出,具备数据存储量小、易实现等优点。但卡尔曼滤波器只适用于线性系统,而实际系统大都呈现不同程度的非线性,限制了卡尔曼滤波的发展应用。无迹卡尔曼滤波器(Unscented Kalman Filter,UKF)是一种适用于非线性系统的方法,本文将对无迹卡尔曼滤波器展开研究。本文主要研究UKF滤波算法的改进及其在连续离散的导航系统中的应用。UKF是基于无迹变换(Unscented Transform,UT)对系统状态向量进行采样,并计算相应的权值,得到的采样点称为Sigma点集。经非线性函数传递逼近系统的高斯密度,处理了均值和协方差的非线性传递问题。论文主要研究工作如下:首先,对UKF滤波算法的采样策略和比例因子自适应做研究分析。从采样精度和实时性两方面分析了三种主要的UT变换采样策略:比例对称采样,最小偏度单形采样,超球体单形采样。详述了各自的优缺点以及适用范围,在此基础上提出了一种基于采样策略实时切换的UKF滤波算法。并对比例因子对采样精度的影响进行研究分析。通过电池荷电状态估计和导航模型验证了改进算法的有效性,并根据仿真结果对改进算法进行分析,阐明了该算法存在的问题和适用范围。然后,对UKF在连续离散系统中的应用进行研究。分析了连续离散系统下的ACD-UKF(Accurate Continuous-Discrete Unscented Nonlinear Kalman Filter,ACD-UKF)滤波算法,对算法中用于描述系统状态空间的随机微分方程(Stochastic Differential Equation,SDE)求解方式进行研究,介绍了两种主要的求解方式:Euler–Maruyama(E-M),Milstein高阶法。并对其数值解收敛性和稳定性进行分析。基于此,对变步长误差精度可调的ACD-UKF滤波算法进行改进,提出了改进全局误差代价函数的ACD-UKFn。并将改进算法应用于导航中的连续离散系统,相关实验仿真在MATLAB上进行。分析改进算法的滤波结果,证明改进算法提高了估计精度和稳定性,减少了估计发散的情况。最后,研究了噪声自适应无迹卡尔曼(Adaptive Unscented Kalman Filter,AUKF)。UKF滤波算法的精度受系统模型噪声影响较大,噪声统计特性未知可导致滤波精度降低甚至发散。而实际系统中,样本统计特性难以取得,故需要研究相关的自适应算法。基于此,对基于Sage-Husa算法的自适应UKF进行了研究,介绍了Sage-Husa算法的基本原理和算法与UKF结合形成的自适应UKF。对噪声统计特性未知的系统进行分析,利用测得的量测信息实时估计和修正噪声的均值和协方差,使算法具备处理时变噪声的自适应特性。在此基础上,提出一种新的自适应UKF滤波算法,对原算法稳态判断缩放常数中衰减系数进行在线更新,解决了衰减常数非最优的问题,加快滤波估计的收敛速度。并通过实验仿真验证改进算法的有效性。