当前智能交通领域无人驾驶运动平台技术的发展对自主导航的精度和可靠性提出了更高要求。大多数车载导航主要依赖卫星导航、惯性导航和视觉导航三种导航方式。但是,单一导航方式存在其固有的缺陷:密集城区环境高楼林立,使用卫星导航虽然定位精度高、误差不受时间增长而累积的影响,但其无线电信号易受遮挡,偶发或蓄意的电磁干扰也会对导航精度产生影响;惯性导航能够不依赖外界信息而保持短时导航定位精度及稳定性,但其误差随时间累积;密集城区环境图像特征丰富,相对环境特征的计算机视觉导航具有优势,但图像信息量大,计算处理复杂度高,实时实现难度大,受光照等外界因素影响,具有局限性。因此,综合利用各导航系统的有效信息,实现多传感器数据融合的组合导航方式已成为国内外相关领域的研究热点。本文首先对比分析了不同惯性/卫星组合导航方式和滤波算法的性能,并进行了改进。引入视觉导航系统信息,提取图像间的位置姿态约束关系辅助惯导系统定位。通过进一步分析多种导航方式的互补性,最终实现多传感器数据信息的融合,使卫星信号受遮挡时依然可以维持一定的导航精度和稳定性,而当卫星信号恢复后使组合导航姿态、速度、位置误差快速收敛,提高系统对于密集城区的环境适应性,改善导航性能。本文主要研究工作和创新点如下:1)根据实际跑车数据,分别采用GNSS/SINS松耦合和紧耦合导航算法进行导航解算。在导航过程中卫星信号受到干扰或遮蔽会出现短期缺失,通过线性和非线性卡尔曼滤波算法验证卫星信号缺失时的导航定位精度。2)在GNSS/SINS组合导航系统基础上,根据视觉里程计的基本原理,只考虑载体自身运动而不和外界环境进行信息交互,引入视觉导航系统进行多传感器数据融合(Multi-sensor Data Fusion,MSDF)。通过双目立体视觉系统获得场景深度信息,采用多视图几何约束卡尔曼滤波算法进行惯性/视觉组合导航,设计滤波器模型。通过实验验证导航精度,为GNSS/SINS/Vision导航滤波器的设计提供依据。3)在卫星/惯性/视觉导航系统中,需要进行时间同步,以各个子系统测量模型误差作为系统状态量,设计GNSS/SINS/Vision导航系统UKF算法模型。通过实验数据验证导航精度,并在卫星信号缺失的情况下,分别与上述两种导航方法进行比较分析,为组合导航方法的进一步改进提供依据。