捷联惯性导航系统（Strapdown Inertial Navigation System,SINS）和全球定位系统（Global Positioning System,GPS）相互结合能够优势互补,扬长避短,大幅提高系统连续长时的导航精度。但是在基于位置、速度的SINS/GPS组合导航中仍然存在以下问题:GPS观测量中有大量粗差信号,这些粗差会降低卡尔曼滤波的估计精度;线性卡尔曼滤波要事先准确确定SINS/GPS的数学模型和噪声统计特性,但在现实中SINS的模型参数可能发生变化,SINS/GPS系统存在大量非线性因素;SINS/GPS松组合导航系统的GPS信号可能严重失锁,卡尔曼滤波器因缺少量测信息而失效,SINS单独工作必然会导致导航误差增大。针对上述存在的问题,本文详细讨论以下内容:首先,详细介绍了SINS/GPS组合导航系统中每个子系统的基本工作原理,组合模式以及数学建模,为下文信息融合算法和神经网络的应用提供理论前提。其次,针对径向基神经网络（RBFNN）参数寻优的问题,首先介绍了基于K均值聚类分析的RBFNN,然后提出一种基于改进天牛须搜索算法（BAS）和近邻传播聚类（AP）分析的RBFNN的模型,改善了RBFNN的结构,提高了神经网络的收敛速度和辨识能力。然后,针对GPS信号的粗差干扰,在线性抗差卡尔曼滤波的基础上进一步研究非线性抗差无迹卡尔曼滤波（RUKF）,并设计粗差检验环节,提出基于假设检验的抗差无迹卡尔曼滤波算法（RUKFBHT）。接着在上述算法的基础上,为了提高RUKFBHT对组合导航中系统模型噪声方差阵发生不确定变化的自适应能力,本文提出采用改进的RBFNN辅助RUKFBHT实现对估计状态的实时调整,仿真结果表明两种UKF改进算法保证了滤波状态估计的最优性,提高了滤波精度。最后,针对SINS/GPS松组合导航系统中GPS信号严重失锁时,SINS单独工作导航精度下降的情况,提出一种基于O△_{SIN S}-△PV_G模型和改进RBFNN预测的导航信息更新策略。神经网络的输入变量是当前时刻的角速度,比力和速度及上述变量的一步增量,期望输出是GPS的位置增量和速度增量。在GPS信号正常时,改进的RBFNN对输入样本信息进行训练和学习。在GPS信号失锁时,训练好的神经网络可以预测出GPS实时的位置增量和速度增量,为改进的UKF提供量测信息,最终实现GPS失锁下的连续可靠导航。