使用单一传感器进行导航，特别是使用低成本传感器时，导航精度有限且容错性能不佳，这就需要同时使用多个传感器进行导航测量，并对测量数据进行基于特定算法的融合，使各传感器的误差得到抑制，并且相互之间能够优势互补，这种导航方法也就是组合导航。为了获得较好的组合导航效果，本文主要进行了以下几个方面的工作：1分析了捷联惯导系统（SINS）的导航原理，探索了SINS的误差来源及分布。讨论了基于GPS的伪距导航定位原理，并初步阐述了载波相位观测的关键技术。之后讨论了天文导航定位原理和地磁导航定姿方法，并分析了地磁导航的误差来源。2基于最小二乘滤波理论，分析了卡尔曼滤波的数学原理和滤波递推方法，然后讨论了扩展卡尔曼滤波的实现过程和优缺点，在此基础上研究了无迹滤波算法的滤波过程，随后讨论了自适应滤波方法以及强跟踪滤波方法在非理想环境下的优越性。之后引入了一种新兴的滤波方法，即容积卡尔曼滤波，并对其数学原理进行了比较详细的介绍。在此基础上，利用泰勒公式推导并比较了容积卡尔曼滤波和无迹卡尔曼滤波的数值稳定性及滤波精度，并通过仿真比较了无迹卡尔曼滤波和容积卡尔曼滤波的解算量的大小。基于强跟踪原理并结合容积滤波的特性，提出了一种改进的强跟踪容积滤波方法。之后，研究了粒子滤波的非线性递推过程，并提出了一种基于群优化原理的粒子群改进粒子滤波方法。3为了对导航传感器的输出数据进行精确的融合，研究了应用比较广泛的联邦滤波融合方法。在使用多传感器测量的情况下，分析了状态可观测性对融合结果的影响，讨论了基于矢量原理的因子分配过程，初步分析了基于矢量分配的合理性。为了更适合实际应用，使用了一种基于改进的乔列斯基分解的逆矩阵求解方法。4基于计算机仿真，验证了本文提出的改进型联邦滤波融合的精确性，得到了比传统联邦滤波组合方法更高的估计精度。5初步探索了基于神经网络的INS/GPS组合导航方法，在神经网络的学习方法上，使用了粒子群优化算法。之后对比了在GPS短期失效时有神经网络辅助和无神经网络辅助的精度差别，结果显示基于神经网络的方法可以在一定程度上减小导航定位误差。6回顾了本文的主要工作，对文中没有深入探索和没有进行有效处理的问题进行了简要的总结，同时对融合算法和组合导航的应用前景和发展方向进行了初步的展望。