现代运载器对导航系统的精度和可靠性提出了越来越高的要求,单一的导航手段已无法满足需求。因此,导航技术向着组合方向发展是一个必然的趋势。组合导航系统实质上是一个多传感器信息融合系统。采用信息融合技术设计组合导航系统,需要解决组合导航滤波算法和多传感器数据融合这两个基本问题。本文围绕这两个问题展开研究。论文工作分两部分。第一部分以INS/GNSS组合系统为平台,为提高UKF在组合导航应用中的性能做了一些探索性工作；第二部分研究了INS/GNSS/CNS组合系统中的多传感器数据融合技术。论文的主要工作和创新性贡献如下：(1)通过对GNSS伪距量测进行二阶Taylor展开,建立了INS/GNSS紧组合系统的非线性量测方程。针对该组合系统的状态方程为线性,利用标准UKF进行滤波解算存在冗余计算的问题,提出一种衍生UKF。在时间更新过程中,该算法避免了标准UKF因无迹变换导致的额外计算；而在量测更新过程中,继承了标准UKF处理非线性滤波问题的优良特性。在不损失滤波精度的前提下,衍生UKF可有效降低标准UKF在INS/GNSS紧组合系统应用中的计算复杂度。(2)研究了所提出的衍生UKF的随机稳定性。在给定的充分条件下,证明了衍生UKF的估计误差在均方意义下的有界性。通过分析量测噪声协方差阵对误差特性的影响,指出：在存在大的初始误差条件下,给量测噪声方差增加一个小的正定矩阵可以提高衍生UKF的稳定性；然而,过大的附加正定矩阵会导致该算法滤波精度降低。(3)为克服标准UKF在系统噪声统计未知或不准确情况下滤波精度下降甚至发散的缺陷,提出一种基于移动开窗与随机加权估计的自适应UKF。该算法充分利用了滤波过程中的有用信息,可以动态地估计与调整系统噪声统计,抑制系统噪声统计不确定性对滤波性能的影响。数值模拟和INS/GNSS组合系统直接法滤波的应用实例,验证了提出算法的有效性。(4)提出一种改进的强跟踪UKF,用以处理过程模型具有不确定性的非线性动态系统中的状态估计问题。在该算法中,采用假设检验方法对过程模型不确定性进行检测。当不确定性出现时,通过对状态预测协方差阵引入次优渐消因子,以减弱先验知识对当前时刻状态估值的影响；而在不存在不确定性的时间区间内,采用标准UKF的基本公式进行最优滤波,防止精度损失。数值模拟和INS/GNSS组合系统直接法滤波的应用实例,验证了提出算法对过程模型不确定性的鲁棒性。(5)为提高联邦卡尔曼滤波(FKF)在INS/GNSS/CNS组合系统应用中主滤波器的计算效率,设计了一种改进的FKF。在主滤波过程中,改进的FKF首先将 INS/GNSS/CNS组合系统的全局状态向量分解为三个子状态；然后对INS/GNSS、INS/CNS子系统以及主滤波器时间更新解输出的每一个子状态的估计值分别进行数据融合；最后,将子状态估计值的融合解重新组合以获取系统状态的全局估计。改进的FKF具有分布式并行处理数据的能力,在融合精度损失不大的前提下,有效地减小了FKF主滤波器的计算复杂度。(6)设计了一种基于矩阵加权的多传感器数据融合方法,用以处理INS/GNSS/CNS组合系统中的信息融合问题。该方法具有两层融合结构,第一层中,GNSS和CNS分别通过两个局部滤波器与INS组合,构成INS/GNSS、INS/CNS子系统,并得到系统状态的局部最优估值；第二层中,提出了基于普通矩阵加权和对角矩阵加权的两种不同的数据融合算法,对局部状态估值进行融合,获取系统状态的全局最优估计。设计的多传感器数据融合方法解决了非重置模式的FKF在INS/GNSS/CNS组合系统应用中融合精度不高的问题。与基于普通矩阵加权的数据融合算法相比,基于对角矩阵加权的数据融合算法精度稍有降低,计算量却大幅下降,更适合于实时应用。此外,因为无需通过全局状态估计对局部滤波器进行重置,设计的多传感器数据融合方法具有较强的容错性。