景象匹配辅助/惯性组合导航以其特有的高精度、自主性和抗干扰的优点成为当前组合导航领域研究的热点。景象匹配辅助/惯性组合导航系统的导航精度与航迹选择和组合导航滤波修正算法的精度密切相关。而传统的卡尔曼滤波算法对组合导航系统的数学建模、噪声特性建模等要求比较严格,神经网络则以其高度的自适应性和自学习能力等优点,在组合导航领域逐渐得到相应的研究和应用,其已成为解决组合导航领域系统模型无法精确建立的有效分析工具。UKF滤波算法是一种解决高斯白噪声影响下的非线性滤波算法,是对非线性函数的概率密度分布的近似,实现较为简单,非常适用于景象匹配辅助/惯性组合导航系统的非线性工作特点。为克服传统的卡尔曼滤波算法对系统的数学模型、噪声特性精确建模的要求,开展了基于神经网络的组合导航滤波算法研究;针对景象匹配辅助导航系统的非等间隔工作特性,还开展了UKF滤波算法在景象匹配辅助/惯性组合导航中的应用研究。主要完成了以下工作:分析了惯性导航系统误差漂移特性和匹配区域景象特征对景象匹配区域选择的影响,在此基础上提出了一种基于改进的BP神经网络的组合导航误差估计算法,能有效的满足景象匹配辅助导航航迹离线规划的应用要求。针对传统的卡尔曼滤波算法对系统数学模型和噪声特性的精确建模要求,提出了一种基于BP神经网络辅助的组合导航滤波方案,设计了一种新的神经网络辅助的卡尔曼滤波器模型,可以有效的解决因建模误差、噪声统计特性不精确和环境的动态变化对卡尔曼滤波器估计精度的影响。针对景象匹配辅助/惯性组合导航的非等间隔工作特点,开展了UKF滤波算法在景象匹配辅助/惯性组合导航中的应用研究,推导了相应的捷联惯导的非线性误差方程,提出了高度辅助的组合导航方案,设计了相应的组合滤波算法,可以有效满足景象匹配辅助高度不可观测和定位观测修正非等间隔的特征。最后还设计实现了景象匹配辅助/惯性组合导航算法综合验证仿真平台,为所提出的算法的研究和验证打下了良好的基础。