随着物联网(Internet of thing,IoT)时代的到来,集成了惯性传感单元(Inertial Measurement Unit,IMU)的嵌入式设备会更广泛地融入到人们的生活中,但市场上被广泛采用的IMU多具有成本低、性能差、标准不统一的问题。以往的研究多侧重于高精度、统一标准的场景,将算法迁移到现代手机等IoT终端中往往会有收敛速度慢、实用性差等问题。为克服上述问题,本文将着重研究在上述场景中IMU数据处理算法选择与设计问题、动态系统过程噪声参数估计问题,并提出更高效的最大似然估计(Maximum Likelihood Estimation,MLE)算法。主要工作及成果如下:(1)针对现行手机终端IMU的性能差、标准不统一问题,本文将IMU数据处理问题建模为动态系统状态估计问题,提出了基于kalman滤波的IMU滤波算法。通过对陀螺仪和加速度计运动参考模型进行模糊处理,分析得到IMU的kalman滤波模型。使用五种手机终端在同一时间、同一地点、同一物理过程实测的IMU数据,分析采样频率及噪声分布情况。最后仿真分析验证了该算法比其他常用的滤波算法有更好的降噪效果。(2)针对kalman滤波器Q估计问题,找到了 MLE可解性充分条件,并证明了 MLE算法可解性。针对Q估计算法中的MLE算法收敛速度慢问题,提出了基于黄金分割的MLE算法,建立了 MLE算法序列模型,将似然函数中收敛算法更换为黄金分割一维搜索算法,通过固定的收敛区间收敛比例确保算法更快速的收敛。仿真结果表明,相比于基于梯度下降的MLE,本文提出的基于黄金分割的MLE能够更快的收敛到Q的最优估计值。(3)针对MLE算法无法应用于非线性系统问题,提出了一种非线性系统MLE近似算法,选择线性区间,使用MLE算法得到Q的估计,在利用平稳性得到系统的Q参数近似值。针对非线性系统中MLE算法收敛速度慢问题,采用将似然函数中收敛算法更换为黄金分割算法的方式提升收敛速度。仿真数据表明,非线性MLE也可以收敛到Q最优估计值,且在非线性条件下基于黄金分割的MLE收敛速度快于基于梯度下降的MLE。