随着运输、航空、航天、航海的发展,出现了各种各样的导航传感器系统以完成更加精确、复杂的导航任务;例如比较成熟的惯性导航系统、无线电导航系统、高精度的GPS导航系统等。如何建立完善的传感器管理方案,将多种单一系统组合在一起,互相补充构成组合导航系统已成为导航领域的研究热点。全球定位系统(GPS)和惯性导航系统(INS)都是目前世界上最先进的导航系统,二者各有所长,无法相互取代。本文以INS/GPS组合导航系统为基础研究民机导航传感器系统,分析了二者的工作原理和组合模式,建立了紧耦合INS/GPS组合导航系统模型。在非线性的系统模型上引入了无迹卡尔曼滤波(UKF)和粒子滤波等非线性滤波算法。UKF与传统的扩展卡尔曼滤波不同,无需计算Jacobian矩阵,可精确到二阶甚至更高,因而可以大大提高组合导航的导航精度。虽然UKF算法克服了EKF存在的问题,但是仍然具有一些经典卡尔曼滤波所存在的问题。粒子滤波从概率密度函数上随机抽取一组附带相关权值的粒子集,用其来逼近后验概率密度,是一种基于递推计算的序列蒙特卡罗算法,从而不受非线性、非高斯模型的限制。虽然粒子滤波存在诸多优点,然而它仍然存在诸如粒子数匮乏等问题。针对上述滤波算法存在的问题,本文提出了一些改进算法:运用自适应原理改进了无迹卡尔曼滤波算法,通过改进重要性密度改进粒子滤波算法。分别对这些改进算法进行分析说明,将其应用于组合导航模型中,并将组合导航系统整合到飞行管理仿真系统中进行分析,得到的仿真结果进一步表明,与普通基本算法相比,上述采用的几种改进算法使得系统性能大大提高。同时比较了几种算法的计算量,分析不同算法在实时性方面的差异。