随着车载导航技术的发展,单一的车载导航系统已经不能满足汽车的需求,而为了追求高精度的定位,通常需要多系统协同定位。在汽车行驶的过程中,当观测条件较好时,可以依靠GNSS信号获取车辆的导航信息进行定位,当车辆行驶在隧道、地下车库等场景时,由于信号的遮挡单纯依靠GNSS无法进行导航定位。INS在初始化完成后,利用自身传感器可以获取到相对于外部的角速度和加速度信息,可以得到载体的导航信息且不受外界条件的干扰,但INS的误差会随时间累积,因此GNSS与INS具有很强的互补性。本文面向车载组合导航系统,充分利用车辆CAN接口中输出的档位和里程计信息建立了GNSS/INS车载组合导航的数学模型,针对城市复杂场景GNSS信号受到多路径以及其它干扰而出现的粗差等问题建立了可以有效抵抗粗差的自适应联邦卡尔曼滤波模型。本文的主要研究内容包括:（1）研究了动态运动学约束中量测信息方差的设定方法,针对车辆在不同路况时车速侧向以及垂向速度不同的实际情况,提出一种结合加速度计方差信息自适应调节动态运动学约束方差的方法,建立了一套附加约束信息的自适应卡尔曼滤波模型。验证了自适应卡尔曼滤波模型的性能,实验结果表明在GNSS信号中断时本文提出的系统模型精度优于传统卡尔曼滤波模型的精度,因此本方案更适合于车载组合导航应用。（2）针对车载导航系统在解算的过程中可能存在观测粗差等观测异常的问题,本文通过将量测新息作为调节因子来对联邦卡尔曼滤波的误差分配进行自适应调节,结合动态运动学约束的数学模型,建立了适用于车载组合导航应用的自适应联邦卡尔曼滤波模型,有效提高组合导航的可靠性和导航精度。在以上基础上,通过实际跑车数据来验证模型的正确性以及有效性。测试过程中同时搭载成熟的商用高精度光纤惯导作为参考基准。在数据对比中随机选择四段数据人为在GNSS观测信息中添加15m的位置误差来模拟观测异常。实验结果表明,本文所提出的系统模型位置、速度、姿态都优于传统的方案的精度,从而验证了本文系统模型的具有抗粗差的性能。最终评估了本文提出的自适应联邦卡尔曼滤波方法在典型城市场景下的导航性能。实验结果表明,当观测信息良好且没有中断时,系统的位置精度可以达到厘米级,速度精度达到0.1m/s（1σ）,姿态的误差精度优于0.2°（1σ）,当GNSS信号中断时,系统的位置导航信息典型指标为0.3%D（D为GNSS信号中断后车辆的行驶距离）,从而验证了该模型应用于车载组合导航的可行性。