全球定位系统(GPS)能够提供全天候,实时的绝对位置定位,其误差不会随时间而累积。但是GPS卫星信号容易受外界环境干扰,如遮挡,多路径效应等因素影响,使卫星信号变差甚至中断而无法定位。因此需要借助其它辅助系统来获取连续可靠的定位信息。航位推算(DR)是基于相对位置修正的独立定位技术,具有短时间内定位精度高的优点。但是仅能确定相对位置,且误差随推算的进行会不断累加。由此可见,GPS具有长时间绝对定位的稳定性而DR具有短时间相对定位的稳定性,两者具有很强的互补关系。本文主要研究基于GPS/DR的移动机器人组合定位技术,使移动机器人可以在复杂环境下具有良好的自定位能力。首先研究了DR系统和GPS系统的基本定位原理和误差来源,分别通过实验分析了单独使用其中一种定位方法存在的优缺点,从而明确了复杂环境下GPS/DR组合定位的优越性。然后重点研究了组合定位中的信息融合算法,包括针对线性系统的卡尔曼滤波(KF)算法和针对非线性系统的扩展卡尔曼滤波(EKF)算法,比例无迹卡尔曼滤波(SUKF)算法。其中EKF算法通过对非线性函数的泰勒展开式进行一阶截断,忽略高阶项来实现线性化,这个过程也就引入了误差；SUKF算法通过获取一定数量的具有状态量统计特性的采样点来逼近非线性密度函数,来保证传递后的状态量精度至少达到二阶,因此其模型更精确。最后对GPS/DR组合定位系统建立数学模型,针对该模型中状态方程和观测方程的特性,结合SUKF和KF的算法特点,对SUKF算法进行了改进。本文在实验室的移动机器人平台基础上,搭建差分GPS系统,采集实验数据,从而来验证各算法的性能。VC编程实现EKF、SUKF、改进的SUKF算法,并分别对采集的实验数据进行信息融合处理。实验结果表明：运用SUKF算法进行信息融合精度上优于EKF算法；改进的SUKF算法在具有和SUKF算法相同滤波精度的前提下,简化了算法流程,减少了计算量,一定程度上提高了算法效率。