导航是飞行器正常工作的一个非常重要的问题。水下机器人作为水下工作的飞行器同样需要导航。惯性导航系统是目前世界上在太空及水下飞行器中被广泛应用的导航系统。其优点是自主性强，短时间内精度高。其缺点是位置和速度源于对加速度的积分运算，而且陀螺漂移作为和时间相关的误差源无法有效克制，因此长时间工作误差积累严重。如果将惯性导航系统作为导航主系统，并且和一种其误差不随时间而积累的导航系统相结合，从而提高导航精度，这就是一种组合导航系统。组合导航系统目前已经成为导航系统发展的重要方向之一。组合导航系统中关键在于数据处理，广泛采用的方法是滤波器。 滤波器的发展是从20世纪30年代发展起来的，比较有代表性的是维纳滤波和卡尔曼滤波。应当说卡尔曼滤波器在组合导航系统中的应用是卓有成效的，但是，当惯性导航系统误差模型中的过程误差和观测误差的统计特性很难比较准确的描述时，最好采用自适应滤波方法，通过对过程误差和观测误差的统计特性的最优估计，实现对模型最佳补偿，达到既可以实现组合导航的准确定位，又可以抑制滤波发散的作用。 本文主要研究了自适应滤波算法在水下机器人组合导航系统的数据处理中应用的问题。首先对水下机器人组合导航系统和相关的数据处理算法进行了较为全面和正确的综述。然后，对自适应滤波方法做了比较全面的研究，阐明了自适应滤波方法的原理和具体算法及其应用，针对在组合导航系统中广为使用的卡尔曼滤波方法进行了深入的分析，剖析了卡尔曼滤波算法的特点，找出了该方法的局限性，并对卡尔曼滤波发散的原因进行了分析，比较全面的介绍了抑制的方法，在此的基础上，根据课题提供的水下机器人的导航条件，即惯性测量单元、多普勒计程仪相结合的组合导航现状，采用了将两种算法相结合的思路，创建了一个新的功能更好的滤波算法，讨论了改进后的算法需要的条件，较好地解决了发散抑制的问题，提高了水下机器人组合导航系统的稳定性和精确度。最后，讨论了仿真结果，并进行了比较，表明了方法的正确性和有效性。