以MEMS技术为基础研制的微惯性导航系统与其它导航系统（如卫星导航系统、天文导航等）构建的组合导航系统可以避免因为单一的导航系统进行导航所带来的不足，从而提高导航系统精度。而因为载体的高机动、高动态特性以及卫星导航信号在峡谷、森林地带会暂时失踪，使得组合导航系统对导航算法提出了进一步的要求。因此，如何合理的设计和完善组合导航系统的导航算法，提高导航信息的融合效果，对于提高组合导航系统的导航精度并进一步的扩大微惯性导航系统的应用领域具有重要的实际意义。本文以陆用车辆为研究对象，针对车辆的平动和转动，利用动力学和运动学理论知识建立了车辆的运动学模型和动力学模型。通过分析组合导航系统中惯性测量单元（Inertial Measurement Unit：IMU）的结构，对微惯性传感器的误差源进行分类，利用时间序列分析中的ARMA模型误差建模方法建立了车载组合导航系统中微惯性传感器的误差（尤其是随机误差）模型，主要的方法是利用微惯性器件的输出信号的自相关函数值获得功率谱密度值，然后根据功率谱密度值得出AR模型的一般表达式，利用最小二乘方方法确定AR模型的参数值，采用LDA准则估计AR模型的阶次，参数值和阶次确定之后，微惯性器件随机误差模型的表达式也就确定了。通过对现有的以低成本惯性导航系统的信息融合技术进行分析，开展车载组合导航系统中组合导航算法的研究，针对系统的数学模型和噪声统计特性通常不是确切已知，导致传统的卡尔曼滤波器递推方程不适用的问题提出自适应无迹卡尔曼滤波组合导航算法。由于车辆的运动特性较复杂，而且GPS信号在森林、隧道、峡谷等地会频繁失踪，导致组合导航系统的数学模型是非线性，此时自适应卡尔曼滤波器也不可用，此时应采用无迹卡尔曼滤波器，但是无迹卡尔曼滤波器要求系统噪声统计特性必须精确已知，从上可知，单一的改进的卡尔曼滤波算法无法满足导航系统的要求性能要求，在这种情况下，本文提出了一种新的组合导航算法-自适应无迹卡尔曼滤波算法，这种算法能够将上述两种滤波器的优点融合，克服车辆的运动特性并且在卫星信号失踪的情况下也能保持较高的导航精度。在完成车辆运动学和动力学模型建立、微惯性传感器误差模型建立的基础上，对自适应无迹卡尔曼滤波理论进行分析研究，确立了车载组合导航系统的自适应无迹卡尔曼滤波算法，并进行了仿真测试。测试结果表明，在车载组合导航系统中，自适应无迹卡尔曼滤波算法比单一的改进卡尔曼滤波算法的导航精度高，性能更优异。