本文分析了惯导平台在实际使用过程中,随着运行时间的增加,误差会对精度产生很大的影响,通过连续翻滚自标定方法,在运行过程中进行补偿。在连续翻滚自标定过程中,连续翻滚的轨迹对试验结果影响很大。采用了粒子群全局优化算法来寻找连续翻滚自标定最优旋转轨迹,可以得到系统的全部误差信息。建立了惯导平台系统级的状态方程、输出方程。基于平台空间和计算空间对准误差角Ψ角法建立惯性导航平台系统连续翻滚自标定试验的误差模型。根据加速度计和陀螺仪的误差模型,坐标空间之间的变换建立了系统的状态方程和观测方程。研究了系统的可观测性,给出了信息矩阵行列式、平台旋转轨迹对可观测性的影响。使用D最优化设计寻找信息行列式最大值对应的最优旋转轨迹。通过D最优试验设计方法将寻找最优旋转轨迹转换为求取信息矩阵行列式的最大值。使用粒子群全局优化算法来求解带非线性约束的信息矩阵行列式的最大值。着重分析了粒子群全局优化算法在解决该问题时,对非线性约束的处理方法。通过分析使用粒子群算法求取无约束最值的通用流程,在此基础上添加了对非线性约束处理的关键步骤。模型中的非线性约束使得粒子群算法对粒子群的初始化提出了新的要求,算法运行前需要首先调整粒子群使它符合非线性约束,而不是随机初始化粒子群。使用罚函数法和直接法处理非线性约束,直接法中的吸收边界法、反射边界法、不可见边界法都取得了很好的试验效果。选取参数,跟踪算法的迭代过程,说明了粒子群算法求解该模型的有效性。研究了粒子群的参数对试验精度的影响,不同的参数对应着不同的试验结果。分析了惯性权重系数对算法的影响,给出了最佳惯性权重系数的范围。分析了认知因子、社会因子对算法的影响,给出了它们的最佳参数组合。最后选取最合适的参数组合,得到连续翻滚自标定最优旋转轨迹。针对优化算法的效果进行比较分析,分析了基于梯度的全局优化方法和随机优化方法的优点和缺点。基于梯度优化方法的不足,展现了随机优化对于多变量、高维度、非线性模型的处理能力。将本文使用的粒子群算法与经典梯度优化方法比较,通过仿真体现出了粒子群智能算法的优势。与模拟退火算法、遗传算法相比,通过仿真体现出了粒子群算法用时更少,效果更好。