采用全球卫星定位系统(GPS)和捷联惯性导航系统(SINS)进行数据融合的组合导航系统能够克服各自的缺点提供可靠的导航性能,因此得到广泛研究和应用。但目前GPS/SINS组合导航也存在一些问题:卡尔曼滤波进行误差预测时需要精确的SINS和GPS误差模型,但SINS的传感器误差很难精确建模;常用的松组合导航系统与紧组合导航系统没有对GPS的多普勒频移进行校正,在高动态和弱信号情况下导航性能差;GPS/SINS超紧组合导航系统在GPS信号失锁期间,SINS误差会随时间累积。针对以上问题,本文展开以下方面的研究:建立组合导航系统的误差模型。对SINS的工作原理和组成结构进行了分析,分别给出SINS的位置误差、姿态误差、速度误差、平台角误差、陀螺漂移和加速度计的误差模型,对GPS的工作原理以及GPS信号捕获和跟踪的过程进行研究。基于人工神经网络的原理和训练过程,对两种常见的前馈式人工神经网络BP神经网络(BPNN)和径向基函数神经网络(RBFNN)分别进行了研究,并对两者的非线性随机问题建模的训练和预测过程进行仿真,通过分析比较发现RBFNN在训练时间以及预测精度方面要优于BPNN。针对松组合导航系统与紧组合导航系统在高动态和弱信号情况下导航性能差的问题,采用超紧组合结构实现对GPS跟踪过程进行辅助。由于超紧组合导航系统的误差模型是非线性的,标准卡尔曼滤波无法处理,因此采用非线性的无迹卡尔曼滤波(UKF)方法。针对样本中存在野值时,UKF滤波发散的问题,提出RBFNN辅助的RBF-UKF改进算法,并对UKF算法和RBF-UKF进行仿真验证,结果表明RBF-UKF精度高于UKF,并且改善了UKF滤波发散的问题。针对GPS失锁期间SINS精度下降的问题,提出了RBFNN辅助的级联式超紧组合结构。RBFNN通过对输入的SINS的加速度计和陀螺仪的测量值进行训练,训练输出为SINS的误差信息。在GPS正常工作时,RBFNN处于训练模式,在GPS失锁期间,神经网络通过之前训练好的模型对SINS系统进行误差补偿。仿真结果表明,在GPS失锁期间,有RBFNN辅助的超紧组合导航系统比没有RBFNN辅助的系统速度和位置的误差均减小,SINS的误差随时间累积的问题也得到有效抑制。