面向卫星导航信息完全拒止条件下无人机自主导航需求,针对惯性导航系统单独工作其误差易随时间累积及仿生偏振光罗盘在遮挡/多云等复杂环境条件下不可用这一问题,提出了仿生偏振光罗盘/惯导组合定向误差处理方法。针对复杂环境条件下仿生偏振光罗盘定向误差处理方法以及仿生偏振光罗盘/惯导无缝组合定向方法,开展面向无人机的仿生偏振光罗盘/惯导组合定向误差处理研究工作。重点开展了基于多尺度变换（MST）的仿生偏振光罗盘偏振角图像和航向角数据去噪方法、基于门控循环单元深度学习神经网络（GRU）的仿生偏振光罗盘定向误差建模与补偿方法、基于自学习多频率残差校正容积卡尔曼滤波（CKF-MRC）的仿生偏振光罗盘/惯导无缝组合定向方法等研究内容,并进行了相关的静态、转台、无人机机载试验,验证了研究成果在实际应用方面的可行性。论文主要研究工作和成果总结如下:（1）提出了一种基于多尺度变换（MST）的偏振角图像噪声和航向角数据噪声处理方法。首先,探索了仿生偏振光罗盘不同类型噪声的产生机理,并对其噪声特性进行分析;其次,针对偏振角图像噪声,结合二维经验模态分解法（BEMD）以及本研究对象特征信息,提出了一种基于多尺度变换的主成分分析（MS-PCA）图像去噪方法;最后,在利用去噪后的偏振角图像进行航向角解算的基础上,针对罗盘电路引入的数据噪声,结合集合经验模态分解法（EEMD）提出一种基于多尺度变换的时频峰值滤波（MSTFPF）航向角数据去噪方法。试验结果表明:经本文提出的MS-PCA图像去噪方法和MS-TFPF数据去噪方法对偏振角图像和航向角数据分别进行处理后,显著提高了仿生偏振光罗盘定向精度:静态定向误差0.0735°（RMSE）,转台定向误差1.2365°（RMSE）,无人机机载定向误差0.3116°（RMSE）。（2）提出了一种基于门控循环单元深度学习神经网络（GRU）的定向误差建模与补偿方法。首先,对载体复杂姿态（包括太阳子午线与载体体轴夹角、俯仰角和滚转角）变化对仿生偏振光罗盘定向误差的影响进行综合分析;其次,结合深度学习神经网络前沿研究成果,针对上述误差提出了一种基于GRU深度学习神经网络的仿生偏振光罗盘定向误差建模与补偿方法。试验结果表明:本文提出的仿生偏振光罗盘定向误差建模与补偿方法不仅能够有效建立载体复杂姿态变化与仿生偏振光罗盘定向误差之间的高精度映射关系,而且可有效提高仿生偏振光罗盘在载体运动过程中的定向精度:转台定向误差为0.4560°（RMSE）,无人机机载定向误差为0.5218°（RMSE）。（3）提出了一种基于自学习多频率残差校正容积卡尔曼滤波（CKF-MRC）的仿生偏振光罗盘/惯导（PC/INS）无缝组合定向方法。首先,基于多频率容积卡尔曼滤波器（CKF-MR）构建仿生偏振光罗盘（PC）/惯性导航系统（INS）无缝组合定向模型;其次,在PC正常工作情况下,针对该组合定向系统中PC与INS数据输出频率不一致及整个定向系统精度有待进一步提高的问题,提出了一种基于多频率残差校正容积卡尔曼滤波的数据融合算法（CKF-MRC）;最后,在复杂环境条件如多云、遮挡等导致PC无法正常工作的情况下,提出一种基于长短期记忆神经网络（LSTM）的自学习无缝组合定向方法。试验结果表明:本文提出的基于自学习CKF-MRC融合算法的PC/INS无缝组合定向方法,不仅在PC不受影响时有效提高了该组合定向系统数据输出频率（100HZ）和定向精度（RMSE:0.21°）,而且在PC受环境影响导致短暂时间不可用时,该系统仍能保持较高无缝定向精度（RMSE:0.53°）,最终有效提升了整个PC/INS组合定向系统的鲁棒性。