随着社会以及科学技术的飞速发展,各行各业对实时高精度定位信息有了更高的要求。采用GNSS/INS组合导航系统进行定位能够克服单导航系统各自的缺点,可得到准确可靠的定位信息,因此GNSS/INS组合导航系统得到广泛的研究与应用。但是当汽车等载体运行在复杂城市环境中,卫星时常会受到高楼、隧道、立交桥或植被的遮挡,若依旧使用传统卡尔曼滤波算法会造成GNSS/INS组合导航系统定位结果精度下降甚至发散的情况。为了GNSS/INS组合导航系统在卫星信号长期被屏蔽的情况下仍然能提供准确的导航信息。本文提出了门控递归单元（Gated Recurrent Unit,GRU）神经网络辅助交互式多模型自适应鲁棒容积卡尔曼滤波（Interacting Multiple Model Adaptive Robust Cubature Kalman Filter,IMM-ARCKF）的信息融合算法。首先,为了解决使用GNSS/INS组合导航系统定位时系统模型不确定和噪声统计特性不确定带来的精度下降的问题,分别提出了自适应容积卡尔曼滤波（Adaptive Cubature Kalman Filter,ACKF）和鲁棒容积卡尔曼滤波（Robust Cubature Kalman Filter,RCKF）两种改进的CKF算法。为了减小动态模型误差的影响,引入自适应因子来调整预测的状态误差协方差矩阵。为了克服量测噪声统计误差的影响,提出了基于鲁棒估计的CKF算法进行在线调整量测噪声方差矩阵。其次,利用交互式多模型（Interacting Multiple Model,IMM）将上述两种改进的滤波器进行有效的融合,最终系统状态估计是两个子滤波器结果的概率加权和。该方法结合了上述两种改进滤波器各自的优点,有效抑制了系统模型和量测噪声统计不确定性对滤波解的干扰。最后,将GRU神经网络引入GNSS/INS组合导航系统,设计了训练与预测两种模式构成的新的组合导航系统。当可以接收到GNSS信号时,信息融合算法使用IMM-ARCKF算法,同时对GRU神经网络进行训练;在GNSS信号丢失时,由训练好的GRU神经网络预测GNSS的位置增量。对位置增量积分之后,再使用IMM-ARCKF算法进行滤波解算。为了评估本文提出算法的有效性,设计了仿真对比实验以及实际道路跑车实验。第三章实验结果表明,IMM-ARCKF算法有效抑制了系统模型的不确定性和量测噪声统计不确定性对滤波解的干扰。第四章实验结果表明提出的GRU/IMM-ARCKF算法能有效地提高GNSS中断期间GNSS/INS系统的定位准确性和可靠性。