随着科学技术的飞速发展,高精度定位导航技术成为当下研究热点之一。单一导航系统难以满足用户需求,组合导航是导航技术发展的必然趋势。GNSS/INS是目前应用最广的组合导航,它利用卫星导航系统的稳定性与高精度,来弥补惯性导航系统误差随时间传播而增大的缺陷,利用惯性导航系统的短期高精度来弥补卫星导航接收机在受干扰时信号丢失、误差增大等不足,从而实现完整的高精度导航定位。但在复杂环境中,GNSS信号缺失易使INS误差积累,导致定位精度下降,为解决这一问题,本文围绕松组合模式下的GNSS/INS组合导航,深入研究了多种融合算法模型,提出了 BP神经网络辅助的GNSS/INS模型。主要研究内容及结果如下:（1）本文首先介绍了 GNSS定位原理及其误差改正,然后阐释了 INS原理,推导了 INS坐标转换与更新算法。研究了松组合模式下标准卡尔曼滤波算法,并指出卡尔曼滤波算法难以适用于非线性系统。针对卡尔曼滤波存在的局限性,介绍了扩展卡尔曼滤波和无迹卡尔曼滤波。最后,阐述了 GNSS信号缺失条件下BP神经网络辅助GNSS/INS的优越性。（2）本研究搭建了一套完整的车载实验平台,并设计实验验证了松组合模式下标准卡尔曼滤波、扩展卡尔曼滤波以及无迹卡尔曼滤波算法的定位精度及适用性。实验结果表明:标准卡尔曼滤波算法解决非线性问题存在较大的局限性,定位结果较差;扩展卡尔曼滤波算法次之;无迹卡尔曼滤波定位精度较高,其三轴位置误差均方根均在0.6m之内,三轴速度误差均方根均在0.04m/s之内,无迹卡尔曼滤波算法在GNSS/INS组合导航数据融合滤波中表现出了较强的优越性。（3）针对GNSS信号缺失问题设计了 BP神经网络辅助的GNSS/INS组合导航系统模型,在GNSS信号正常时对组合导航系统进行滤波计算,同时将INS数据作为输入值完成BP神经网络训练工作,模拟GNSS信号缺失条件,利用BP神经网络预测输出值对系统进行误差补偿,与无BP神经网络辅助的组合导航结果进行对比分析,实验结果表明,BP神经网络预测结果位置误差在6m以内,速度误差在0.5m/s以内,说明BP神经网络可以在一定程度抑制组合导航系统解算结果误差发散,保障组合导航系统整体精度。图25 表6 参87