初始对准是捷联惯导(Strapdown Inertial Navigation System,SINS)的一项关键技术。滤波(即状态估计)在初始对准中发挥了至关重要的作用。当误差模型为线性时,经典的卡尔曼滤波具有十分出色的估计效果。当误差模型为非线性时,采用不同的非线性滤波方法估计效果是不同的。无迹卡尔曼滤波(Unscented Kalman Filter, UKF)是一种性能十分出色的非线性滤波方法。从产生之日起,便在工程上得到了广泛的应用。自由调节参数κ的取值对于UKF的滤波精度和稳定性是至关重要的。一直以来,传统取值认为在满足n + κ = 3 (n为状态变量的维数),滤波精度是最优的。但是,随着容积卡尔曼滤波(Cubature Kalman Filter,CKF)的产生,自由调节参数的传统取值面临了巨大的问题。因为从滤波方法上看,CKF滤波是UKF滤波在自由调节参数κ=0时的一种特例。在不同的维数下,两种滤波方法的精度是不同的。因此,本文以自由调节参数为核心,主要研究了κ对于UKF滤波精度的影响。同时,针对滤波模型中会存在线性方程的情况,分别给出了两种模型化的UKF算法。文章首先介绍了重力场的分布特性、地球形状的两种定义方式以及经、纬度的有关定义。对坐标系及坐标变换进行了详细的介绍,在此基础上推导了捷联惯导系统的误差方程。本文中给出了扩展与非扩展UT变换的过程,同时也给出了扩展与非扩展UKF滤波算法。对于两种方式滤波算法的精度比较,推导了基于泰勒展开式的扩展与非扩展UKF的表达形式,分析了在不同维数、不同调节参数取值下两种滤波的精度。同时,也基于均值、方差与奇次矩的形式比较了两种滤波的精度。从而指出了在两种调节参数取值下,如何选择扩展或非扩展UKF会更佳的结论。同时,推导了 UKF的均值近似误差的表达形式,并证明了 κ的取值与系统模型具有相关性。进而提出了 κ的在线调整算法,即自调整UKF算法。整个算法第一步先根据模型初步选取κ的值,使得估计的误差在几个事先设定的κ下能够达到最小。然后在每一时刻滤波时根据量测量的一步预测信息在第一步的κ取值附近进行在线调整,使得滤波估计达到最优。在线调整算法相比固定参数的UKF,虽然计算量有所增加,但是估计精度会得到提高。若状态方程或量测方程有一个是线性时,那么UKF算法就会得到简化,从而推导了两种模型化的UKF。本文对两种模型化UKF算法的计算量进行了定量的分析。相比传统UKF算法,两种模型化的算法在保证精度不会降低的同时,算法的计算量都会得到减小。最后,本文根据SINS误差模型的特点,将自调整UKF和模型化UKF应用到初始对准中,分别解决传统UKF估计精度低和计算量大的问题。仿真结果表明了两种非线性滤波算法的有效性,为实际工程应用提供了有力的理论保证。