车载导航系统(VNS)可以提供用于汽车行驶的多种导航参数,目前被广泛运用于无人驾驶、车载导航仪、机器人导航等民用以及军用领域中,由于互联网与物联网的快速发展,汽车导航系统将在未来会发挥越来越重要的作用。目前,精度和可靠性为车载组合导航系统重要的性能指标,而在车载导航系统中,捷联惯性导航系统、全球定位系统与里程计是常用的导航传感器,如何将它们进行有效的多传感器组合并改善传统的滤波算法以提高系统的抗干扰能力和高精度导航参数输出能力是本文重点研究的内容。本文围绕传感器的原理与误差分析、多传感器滤波结构的选取、信息分配系数的设计以及级联自适应鲁棒联邦滤波算法的构造等展开研究分析,研究内容为以下几点:首先,介绍了捷联惯性导航系统、全球导航定位系统与车载里程计的工作过程,对它们的误差进行数学建模,同时对比了这三种传感器在实际应用中的优点和缺点,从理论层面上阐述三种传感器单独使用的弊端以及进行组合的必要性。其次,介绍了标准卡尔曼滤波的应用背景、数学公式以及算法流程;当多个传感器组合使用时,介绍了集中式滤波和联邦式滤波两种滤波方式,比较了二者的优势与弊端;对基于联邦滤波结构的车载导航系统进行建模,从提高精度角度出发,结合状态协方差矩阵与可观测矩阵的特性,设计了一种联邦滤波信息最优分配方案,并通过仿真证明了其有效性。然后,针对车载导航系统滤波解算过程中误差模型问题进行了研究,具体包括观测模型异常以及系统状态噪声统计特性不确定的问题。提出一种级联自适应鲁棒联邦滤波算法,根据协方差矩阵的实时在线匹配思想,利用改进的新息自适应滤波方法消除观测模型异常对滤波精度的影响,同时利用简化的Sage-Husa自适应滤波方法解决不确定的系统状态噪声问题,系统噪声的更新也有助于观测异常模型的修正。最后,分别从仿真和跑车实验两个方面对所提出的算法进行验证,结果表明:所提出的级联自适应鲁棒联邦滤波算法可以有效的控制系统模型不确定所带来的影响,使车载导航系统具有更好的鲁棒性和更高的精确性。