近年来,无人驾驶技术蓬勃发展,在物流、共享出行、环卫、军事等领域内被广泛应用。为了保证无人车安全、可靠的行驶,对高精度车载组合导航系统的研究一直是无人驾驶技术中的关键。机场物流运输中要求在规定路线内无人车具有精准的导航信息,然而受机场内廊桥、隧道等环境的影响,车载传感器易受干扰,导致无法满足高精度导航的需求。如何合理地对车载传感器进行组合,提高组合导航系统的鲁棒性、容错性,为无人物流车提供持续稳定的高精度导航参数是本文的主要研究内容,具体研究内容如下:首先,分别介绍了捷联惯性导航系统（SINS）、全球导航定位系统（GPS）、里程计（OD）的导航基本原理,推导了各自的误差模型,对比分析了三者的利弊,阐述了它们组合的必要性,设计了系统的整体方案,为后续的算法仿真提供理论基础。其次,介绍了Sage-Husa滤波和变分贝叶斯自适应滤波的工作原理,通过对两种自适应滤波算法的研究和仿真,分析了各自存在的优缺点。仿真结果表明,相较于Sage-Husa滤波,变分贝叶斯自适应滤波对变化的量测噪声R具有更好的跟踪能力,更高的滤波精度。针对变分贝叶斯自适应滤波算法无法同时实现对时变的系统噪声Q、量测噪声R准确估计的问题,提出了一种改进的基于逆Wishart先验分布的变分贝叶斯自适应滤波算法,在估计量测噪声R的同时,通过对一步预测协方差P的估计实现对系统噪声Q的间接估计,并降低了算法的计算量,提高了系统的实时性,通过仿真及跑车实验验证了改进自适应滤波算法的有效性。最后,为了提高在GPS精度下降甚至失锁条件下的组合导航精度,对SINS/GPS/OD进行多源信息融合。鉴于OD的误差特性,设计了一种OD在线标定的滤波算法,估计并补偿了OD的刻度因子误差、安装角误差、杆臂误差。仿真结果表明,位置精度接近1‰D,其中D为行驶路程。同时,为了解决复杂环境下由于传感器测量精度降低,导致系统导航精度下降的问题,提出了一种基于可观性分析的自适应联邦卡尔曼滤波器,推导了一种物理意义明确,简单有效的可观性计算方法,并分别计算SINS/GPS、SINS/OD子系统导航误差量的可观性程度,据此自适应调整联邦滤波的信息分配因子,提出的算法克服了由于子系统性能退化导致的系统精度急剧下降的问题,有效防止了全局信息被污染,最后通过仿真及跑车实验证明了所提算法的有效性。