近年来,由惯性导航系统（INS）与全球卫星导航系统（GNSS）相结合的组合导航系统广泛用于增强无人驾驶车辆的位置、速度和姿态信息。然而,GNSS信号易受复杂的外界环境影响,在遮挡严重的城市峡谷、隧道等地信号会发生中断,无法完成定位服务。因此,研究GNSS/INS组合导航系统在特殊环境下GNSS信号丢失时,如何能够提供可靠的导航服务具有重要意义。解决GNSS/INS组合导航系统中GNSS信号丢失问题的方法主要分为两类,一类是利用机器学习或深度学习方法建立INS导航信息与INS导航信息误差的关系,在GNSS信号丢失时通过机器学习或深度学习方法输出的导航信息误差校正INS的导航信息。另一类方法是利用机器学习或深度学习方法建立INS导航信息与GNSS信号的关系,在GNSS信号丢失时将机器学习或深度学习方法输出的伪GNSS信息作为GNSS信号并与INS信息一起输入到卡尔曼滤波算法中以校正INS的导航信息。目前这两类方法在利用机器学习深度学习方法解决GNSS信号丢失问题时均存在一些缺陷,即没有充分利用历史导航信息,也没有考虑不同导航信息分量对导航结果影响以及没有考虑INS中惯性传感器自身产生的噪声。针对以上问题,本文对GNSS/INS组合导航进行了系统的研究。本文提出了一种神经网络辅助和信号去噪的GNSS/INS组合导航系统。首先,为了在GNSS信号中断期间为导航系统提供位置信息,时序神经网络（TCN）使用当前车辆的比力、角速度、速度和姿态角预测伪GNSS位置。其次,由于车辆的不同信息分量对时序神经网络预测伪GNSS位置的精度所做出的贡献不同,采用注意力机制为车辆的各信息分量分配不同的权重,以提高时序神经网络预测伪GNSS位置的精度。最后,由于惯性传感器测量的原始数据具有较大的噪声,改进的经验模态阈值滤波被用来对惯性传感器测量的原始数据进行降噪。本文采用模块分化的思想,首先验证本文提出的去噪算法的有效性,然后再使用经该去噪算法去噪后的IMU信号对本文提出的神经网络辅助的GNSS/INS组合导航系统的性能进行验证。为了评估该方法的有效性,本文采用了严恭敏老师的现场试验数据对该方法、基于LSTM的融合算法以及基于MLP的融合算法进行对比。结果表明,该方法可以显著提高GNSS信号中断时的导航精度。