惯性导航系统(Inertial Navigation System,INS)和全球导航卫星系统(Global Navigation Satellite Systems,GNSS)两种导航系统,二者优势互补,因此GNSS/INS组合导航系统成为当今研究的热点,已被广泛应用于军事和人民日常生活中。随着当今定位需求的不断增加,对组合导航系统的精度和可靠性有了更高的要求。一般从建模和参数估计两方面提高组合导航系统的精度和可靠性,本文针对GNSS/INS组合导航系统数据处理中的滤波算法进行研究,针对组合导航系统的非线性误差、滤波模型的模型误差等进行了滤波模型改进,主要研究内容如下:(1)简要介绍了GNSS和INS两种系统常用的坐标系统及其转换关系、系统各自的特点和误差模型等。(2)介绍了GNSS/INS组合导航系统常用的滤波方法:线性的卡尔曼滤波算法和非线性的容积卡尔曼滤波算法,并对后者进行了改进,以奇异值分解代替Cholesky分解,以避免系统状态协方差阵出现非正定现象。随后对两种算法进行了实验对比分析,结果表明改进后的SVD-CKF算法更能有效地抑制非线性误差,取得更高的滤波精度。(3)针对组合导航系统滤波模型误差和观测粗差,建立了三种抗差模型:基于奇异值分解的抗差容积卡尔曼滤波(R-SVD-CKF)、基于奇异值分解的强跟踪抗差容积卡尔曼滤波(STR-SVD-CKF)和基于奇异值分解的分类自适应抗差容积卡尔曼滤波(AR-SVDCKF)。经过多种实验方案的对比分析,结果表明,R-SVD-CKF算法可以抑制观测粗差的影响,STR-SVD-CKF算法可以同时控制上一时刻控制状态估计误差和观测粗差的影响,AR-SVD-CKF算法可以在削弱状态估计误差和观测粗差的同时控制状态自身扰动误差的影响,进一步提高了组合导航系统滤波算法的稳定性,能够为GNSS/INS组合导航数据处理工作提供一些参考。(4)考虑到GNSS信号的不稳定性,将Elman神经网络引入到组合导航数据处理工作中,与前面构造的AR-SVD-CKF算法相结合。在GNSS信号正常时训练网络,GNSS失锁后采用Elman网络进行预测输出,实验表明,该算法可以在短时间内控制住滤波精度,其中速度最长预测时间200s,东向位置最长预测时间50s,北向位置最长预测时间20s。