随着导航系统的发展及在各领域中越来越广泛的应用,对导航系统的精度、可靠性等都有越来越高的要求。实际系统中所应用的系统模型大部分都呈现非线性,工程上采用扩展卡尔曼滤波(Extended Kalman Filter, EKF)作为主要的非线性滤波算法。EKF是应用一阶泰勒展开对非线性函数实现近似线性化,因此将不可避免引入了线性化误差,存在着截断误差。无迹卡尔曼滤波(Unscented Kalman Filter, UKF)是一种性能比较优秀的非线性滤波方法,它可以应用在任何非线性非高斯的系统中,无需对非线性系统函数进行一阶近似线性化,使得系统受到线性化误差的影响减弱。因此,自其产生之日起,便在工程上得到了较为广泛的应用。本文围绕UKF展开相关的研究,论文的主要工作有:首先介绍了捷联惯性导航系统中常用到得几种坐标系以及坐标间坐标变换的实现。然后推导了捷联惯性导航系统的力学编排方程,并且在此基础上,对捷联惯性导航系统的非线性误差模型进行推导。并简单的介绍了现有的SINS与GPS的组合模式,并给出了各组合模式的结构框图。其次,介绍了高斯滤波器的一般形式,并在此基础上,详细推导了 UKF的核心数学基础,即UT变换,并推导了 UKF滤波算法的过程。选取SINS输出的导航参数作为状态变量,应用直接法,对组合导航系统建模,并将UKF应用到组合中,与EKF作比较。然后,针对UKF在应用的过程中所存在的限制性条件,提出将QR分解和SVD分解应用到UKF中,替代传统UKF中的矩阵的Cholesky分解及矩阵的求逆,很好的避免了 UKF因为多次迭代之后出现的协方差阵的不正定性或者不对称性而无法正常工程的问题。UKF是在假设系统噪声和量测噪声为零均值的白噪声的前提条件下使用的,而实际应用中,噪声的统计特性是无法完全精确已知的,在这种情况下,UKF的使用受到了局限。针对这一问题,论文基于极大似然函数对噪声实现实时的估计,并结合之前提出的QR分解和SVD分解,提出SVD-AQUKF。将SINS与GPS进行数据融合,需要在同一滤波时刻同时有两子导航系统的输出,而SINS与GPS的数据更新速率时不一致的。一般情况下,选取大采样周期为滤波周期(即GPS数据更新周期),并在每一个大采样周期完成数据融合,这就造成了 SINS输出的载体运动信息的废弃。根据这一问题,论文提出了多速率数据融合的思想。选取小采样周期作为滤波周期,结合UKF滤波算法,将数据融合的过程分为时间更新、时间量测同时更新两个过程。在每一滤波时刻,通过判断是否有新的量测输入选择执行哪种更新,以完成每一滤波时刻的数据融合。通过这样的处理方式,能够更好的利用两个子系统输出的所有数据,从而提高了数据的冗余度和利用率;并且当GPS输出有异常,系统将会把这种情况自动认为是无量测值输入,只进行时间更新。这样子也避免了因为GPS子系统异常而引起的数据融合不能正常工作的情况。将多速率数据融合理念分别与UKF、SVD-QUKF结合,应用到SINS/GPS中,选取紧组合的组合模式,实现数据的融合。