MEMS (Micro Electromechanical System)陀螺仪相比于其他类型的陀螺仪,具有体积小、功耗低、成本低、质量轻、易集成以及生产批量大等优点。由于MEMS陀螺仪具有上述优势,已经在众多民用领域得到广泛应用,如汽车导航、汽车安全气囊脱扣装置、拍照摄像设备的防抖动平台、机器人姿态测量系统、电子玩具、虚拟体感游戏等。在军事领域,可以预见未来的武器系统、无人机等侦查设备必然向着数字化、智能化、小型化和高机动化发展,因此MEMS陀螺仪具有巨大的发展潜力和价值。但是MEMS陀螺仪的测量精度相对较低,这成为微小型导航系统、制导与控制系统等关键技术的发展瓶颈。解决这一问题的途径有两种：第一,从硬件内部结构上针对性地进行分析；第二,从软件层面入手,从算法角度处理。MEMS陀螺仪的随机漂移误差问题是提升测量精度这一课题的重要研究内容。本文从软件层面入手,研究了MEMS陀螺仪的静态输出噪声特性,就MEMS陀螺仪的随机漂移误差补偿技术展开研究。本文介绍了MEMS陀螺仪的若干性能指标,搭建了MEMS陀螺仪漂移数据采集系统,用Allan方差方法对MEMS陀螺仪噪声特性进行了分析。对MEMS陀螺仪输出的非平稳数据进行了预处理,应用拉伊达准则去除奇异点,通过逐步回归方法拟合漂移趋势,将其转换为平稳、零均值的随机漂移数据。根据自相关系数ACF、偏相关系数PCF、AIC等准则选取了时间序列模型和参数,采用基于自回归AR模型的线性离散系统的卡尔曼滤波方法对MEMS陀螺随机漂移进行补偿,MATLAB仿真及Allan方差计算结果表明,该方法能够有效地抑制漂移误差达50%。针对基于自回归AR模型的线性离散系统的卡尔曼滤波方法的不足,应用了AR与SVM(Support Vector Machine)支持向量机混合模型方法。用AR模型描述随机漂移数据中的线性部分,用SVM支持向量机方法对非线性数据进行处理,经过归一化处理、相空间重构、数据训练及数据预测验证等一系列步骤,计算Allan方差及其它性能指标,结果表明：应用AR与SVM支持向量机混合模型方法能够有效抑制漂移误差80%以上,相比于基于时间序列的卡尔曼滤波方法,具有更为良好的去噪效果。