当前,大部分车辆均配备了全球导航卫星系统（GNSS,Global Navigation Satellite System）给予用户精准的速度和定位。然而,在例如城市峡谷、高架桥、隧道、林荫道等城市复杂环境下,GNSS信号阻塞会导致定位精度下降,甚至缺失。因此,GNSS通常与惯性导航系统（INS,Inertial Navigaion System）相结合。GNSS/INS组合导航系统有着便宜、占用空间小、重量低等诸多优势。然而INS由于可能存在的传感器固有误差,在GNSS长期缺失情况下,精度随时间呈长期下降趋势。如何提升车辆定位的连续性、可靠性、高精度,缩短行驶过程中不必要的时间花费,为执行特殊紧急任务的车辆提供更为准确的位置服务,保证任务的高效顺利,成为了必须面对和解决的问题。本文展开了辅助GNSS/INS组合导航提高定位性能技术分析,利用深度学习预测辅助量测估计的方法减小组合导航误差。本文主要完成的工作如下:（1）本文采用残差注意力网络动态估计非完整约束伪量测噪声协方差,以实现最优的卡尔曼滤波（KF,Kalman Filter）融合。为了突出具有更大权重且具有代表性的特征,以便更准确估计量测噪声,本文引入了注意力机制,根据学习到的特征贡献自动分配不同的权重。本文在实际道路数据集上评估了提出的方法,并与其他七种不同的方法进行了比较,包括传统KF,纯INS,基于三个深度学习网络的KF,K-Means和输入延迟神经网络的方法。在GNSS中断时间为10s、30s、60s情况下,该算法相较于传统卡尔曼滤波方法定位精度分别提高了39.39%、30.65%和56.57%。大量计算结果证实,该算法可以有效限制速度相关误差,合理提高位置与速度估计的精度。（2）本文采用长短期记忆网络动态估计的零速修正伪量测噪声协方差,以实现零速区间最优的卡尔曼滤波融合。本文同样在实际道路数据集上评估了提出的方法,并与传统导航方法和其他自适应滤波方法进行比较。相较于传统卡尔曼滤波方法在GNSS中断期间定位精度和速度误差分别提高了 68.29%和87%。大量实验结果表明,该算法可以在车辆静止状态下有效限制位置与速度误差提升。本文针对量测估计依赖于特定路况和车辆的问题,通过深度学习自适应预测辅助量测的方法,有效提高组合导航在复杂城市环境下定位精度的精确性和稳定性,具有深远的实际应用价值。同时,本文完成了基于深度学习辅助量测估计的组合导航仿真系统的构建和测试,验证算法有效性。