现代军用和民用导航系统需要详细的载体运动状态信息来进行载体控制。由陀螺仪和加速度计等传感器构成的捷联惯性导航系统以其独特的优点被广泛应用于导航系统中，实时自主地为控制系统提供载体运动信息。捷联惯导系统在进入导航状态之前必须进行初始对准，完成系统导航解算初始状态值的确定。现行捷联惯性导航系统初始对准方法存在速度和精度的矛盾：精度高，即滤波效果好的那些方法，初始对准时间长，相反速度快则精度达不到实际要求。　　初始对准最成熟方法是使用卡尔曼滤波，通过观测信息来估计需要的状态值。但是这种方法有其固有的缺陷即滤波准确性和快速性之间的矛盾，这就需要研究其他的方法来对卡尔曼滤波算法进行补充。机器学习是自动获取知识和改善系统行为的智能过程，能够有效弥补卡尔曼的不足，使得滤波过程更准确快速，防止动态过程发散。　　本课题结合支持向量机自学习能力和自适应卡尔曼滤波理论，建立基于最小二乘支持向量机(LS-SVM)-自适应卡尔曼滤波的捷联惯性导航系统智能初始对准方法。主要学习了捷联惯导系统、机器学习和支持向量机理论知识，研究捷联惯导初始对准和自适应卡尔曼滤波，最后得出LS-SVM-自适应卡尔曼滤波初始对准算法，通过matlab建立捷联惯导系统误差模型并通过初始对准仿真实验，结果显示了这种方法的优越性。再结合实际捷联惯导系统初始对准应用，实验结果证明算法能提高滤波的实时性和准确性。