车载MEMS惯性导航系统(MINS)和里程计可以构成完全自主的导航系统。MINS能够提供全面的导航信息，但是精度低、噪声大，导航误差随时间快速发散。里程计是测量距离的传感器，由于存在安装误差和使用环境的影响，但其误差随行驶距离的增加而增加。为了结合各自优点，将二者输出进行组合，并针对实际应用中存在的问题，使用多种改进的卡尔曼滤波方法实现位置、速度、姿态和器件误差等状态的估计，提高导航精度。本课题主要研究MINS/里程计组合导航系统中的数据融合问题，目的是建立高精度融合算法，主要研究内容包括：(1) MINS和里程计组合模型建立建立MINS和里程计组合模型，选取MINS和里程计器件误差和系统误差作为滤波器的状态变量建立滤波器的状态方程，如陀螺零偏、加速度零偏、姿态误差、位置误差、速度误差、刻度因子误差等。用二者的输出的速度信息建立滤波器的量测方程。(2)非完整性约束分析和组合模型状态可观测性分析根据车辆行驶过程中的运动特性，提出来一种新的非完整性约束的方法，扩增了观测量，同时提高了观测的实时性。组合系统是一个线性时变系统，系统模型与载体的运动状态有关，使用分段线性定常系统的可观测性分析方法对系统进行可观测性分析，分析了各个误差量在不同机动情况下的可观测情况。(3)滤波方法研究在实际应用过程中MINS噪声随温度变化，不同的使用环境会影响观测噪声的大小，使得标准卡尔曼滤波器的应用受到限制，因为其要求是过程噪声和观测噪声是已知而且不变的。针对这些问题提出采用多模型滤波方法，通过多种模型同时滤波并进行匹配，有效解决了噪声特性的时变问题。同时改进了自适应滤波算法，在滤波的同时对模型的噪声统计特性进行实时估计，以适应环境的变化。对于模型建立中存在的不精确和里程计在行驶时容易受到干扰的问题，运用强跟踪滤波器强迫残差为零均值白噪声，提高了系统的鲁棒性。