随着惯性技术的发展，对惯导平台精度的要求越来越高。而受加工水平和制造工艺的限制，单纯依靠提高陀螺仪及加速度计等惯性器件的精度来提高整个惯导系统精度的代价变得愈发昂贵。相比之下，从系统的角度，在对惯导平台各类误差源辨识的基础上进行系统级补偿，则是一种更为经济有效的途径。 但由于惯导系统的高度非线性，一般的辨识方法难以凑效，本文对基于神经网络的惯导平台的漂移误差模型参数辨识做了研究，具体进行了以下几个方面的工作： 对惯导平台的误差漂移运动模型进行了分析。在得到了陀螺仪、加速度计等分立惯性器件误差模型之后，又根据惯导平台的稳定机理，建立不同的坐标系，推导出了比较完整的平台漂移运动方程。推导出的平台漂移运动模型物理意义明确，便于根据仿真研究或工程应用的需要进行扩充或简化。 因为神经网络具有非线性函数的任意逼近能力和自适应抽取系统动态信息的能力，所以对自适应神经网络系统模型辨识进行了研究。重点分析研究了Elman网络结构，推理了Elman网络的BP算法。推理获取了网络训练所需的输入输出样本对，在只有1g重力加速度作为外界激励的条件下对系统模型参数进行了仿真。针对Elman网络标准 BP算法存在着振荡、收敛慢等缺点，提出了两种改进算法。仿真结果表明：本文提出的两种改进算法具有很好的收敛性和较高的收敛精度。 针对辨识所得的平台误差漂移运动模型，本文利用纯惯导完全自主式的车载平台定位定向系统进行导航验证，实验表明：改进后的算法在惯导平台误差模型参数辨识中有较好的辨识效果，具有可行性。