随着科技的发展,对导航系统提出的要求越来越高,由于硬件条件以及成本的限制,使得通过高精度的惯性器件来获得高精度的导航系统变得困难。而且在日益复杂的环境里,要求导航系统具有高度的自主性、可靠性和抗干扰性,仅依赖单一的导航系统也难以满足要求。除了通过硬件技术的提高来获得可靠的精度高的导航系统外,研究适应性强精度高的滤波算法也是解决问题的主要途径之一。首先,文中从导航系统中本质上非线性非高斯的初始对准和组合导航两个关键问题入手,根据不同假设条件,建立线性/非线性系统模型,并用三种不同噪声模型来近似非高斯噪声;然后,根据非线性系统模型的需要,在贝叶斯估计理论的统一框架下深入研究了三类具有代表性的非线性滤波方法;最后,结合非线性滤波算法讨论了系统模型误差和不同噪声模型对两个问题状态估计精度的影响。研究主要包括如下几方面的工作:在高斯噪声条件下,针对初始对准和SINS/GPS组合导航系统,结合具有高精度估计性能的非线性滤波算法,比较了(小姿态误差角假设下得到的)线性误差模型与(水平小姿态误差角、方位不确定假设下得到的)非线性误差模型的状态估计精度。根据失准角和组合导航状态的估计精度,分析系统模型误差的影响。以特定随机过程(高斯噪声)建立导航系统工作的噪声环境,讨论处于噪声统计特性未知或者系统动态时噪声参数突变下的初始对准问题。设计了双噪声估计器并行结构,并与差分滤波相结合,通过对噪声方差阵进行监测,能有效防止滤波发散。同时,算法中的选择更新策略,能有效缓解计算量增加对滤波实时性的影响。新算法能在保证精度的前提下快速有效地估计出失准角,估计结果对噪声参数的变化具有强健性。以未知分布但有界形式建立导航系统工作的噪声环境,讨论噪声数据来自未知分布情形下的初始对准问题。根据集员滤波理论,并结合扩展卡尔曼滤波的线性化思想,得到扩展集员滤波。当噪声数据边界值无明显变化,而其统计特性服从不同分布时,扩展集员滤波得到的失准角估计结果无明显变化。说明这种噪声描述使得滤波算法不敏感于噪声统计特性的变化,仅与噪声边界值相关,使失准角估计结果对噪声统计特性的变化具有强健性。以高斯混合模型近似导航系统工作的噪声环境和状态的后验分布,结合粒子滤波得到高斯混合粒子滤波。高斯混合粒子滤波重新设计重要性函数,用UKF计算混合模型的参数,并通过最大期望算法改进重采样,有效改善了粒子退化问题和贫化问题,提高了失准角和GPS/DR组合导航状态的估计精度。针对粒子滤波计算效率低下的问题,讨论了并行粒子滤波的实现问题。结合粒子滤波递推算法的特点,分析了并行实现的关键问题,对无味卡尔曼粒子滤波算法进行改进,设计并行算法。并行算法在保证与原算法精度相当的基础上,能有效提高计算效率。通过算例仿真以及非线性滤波方法在初始对准和组合导航问题中的应用,可得到下面的结论:在非线性条件下,与严格约束条件下得到的线性(化)系统模型相比,非线性模型适用条件更宽松,结合高精度非线性滤波方法能得到更好的失准角和组合导航状态的估计结果,但是滤波算法的计算量增加。面对实际工程话问题时,对滤波方法的选择上,需要在性能和计算效率之间进行折衷。在非高斯条件下,以未知分布但有界形式和以高斯混合模型形式描述导航系统工作噪声环境的滤波方法更具强健性,能更好地适应于缺少先验知识或者复杂环境下的导航滤波问题。若以特定随机过程(高斯噪声)来描述噪声环境,可以通过嵌入自适应估计器在线估计其统计特性,提高算法的强健性,对于复杂的非高斯的噪声环境,这种噪声描述方式存在固有的不足。在非线性非高斯条件下,理论上讲,粒子滤波具有明显优势,但粒子滤波固有的问题会影响到它的性能。通常把传统的非线性滤波算法嵌入到粒子滤波中,改进的新粒子滤波方法能更好地估计失准角和组合导航系统的状态。但这些复杂的改进算法计算效率低下,实时性较差,可根据其特点设计合适的并行结构,以提高计算效率。