为了能够适用于更复杂的运行环境，移动信息平台不仅要求导航系统能够提供高精度的导航信息，还要求导航系统具有高度的可靠性、自主性和抗干扰性。任何单一导航系统或简单组合的导航系统都难以满足这一要求，因而，基于多传感器信息融合的智能导航技术成为高质量自主导航系统研究的主要技术途径。本文以车载移动信息平台为应用背景，以提高移动信息平台导航系统定位精度和在复杂环境中的适应能力为目标，建立了多传感器组合导航结构；同时，为了实现对多源信息的综合处理，本文以Bayes估计理论为基础，对信息融合算法进行了深入的研究。主要研究内容归纳如下：　　系统地研究了Bayes统计滤波框架下的滤波方法。在卡尔曼滤波过程中采用Bayes极大验后(MAP)估计器来获取适用的噪声统计特性，针对在滤波初期BayesMAP估计器对噪声统计特性估计有偏，导致了滤波结果有偏甚至发散的问题，提出了改进的BayesMAP噪声辨识自适应滤波算法，算法采用噪声一阶矩加权的方法解决了滤波初期噪声一阶矩估计存在偏差的问题。　　针对非线性系统滤波问题，利用多模型扩展卡尔曼滤波算法，解决了EKF局部线性化模型精度较差的问题，并对算法的稳定性和可用性进行了分析。Unscented卡尔曼滤波(UKF)算法为解决非线性系统滤波问题提供了更为有效的方法，为了提高UKF对噪声的自适应能力，提出了新息滤波多模型UKF(IFIMM-UKF)算法，算法根据不同的噪声水平建立模型集，解决了噪声环境复杂的非线性系统动态滤波问题。针对IFIMM滤波精度与切换速度互为矛盾的问题，提出了马尔可夫参数自适应调整算法，在提高滤波精度的同时保证了较快的模型切换速度。　　为了提高导航系统的可靠性，研究了组合导航系统容错设计方法。首先，针对故障诊断问题，提出了基于神经网络的残差χ2故障诊断方法，解决了传统残差χ2检验法仅能检验数据的有效性而不能确定具体故障源的问题。其次，针对使用单一参考系统滤波结构的联邦滤波器可靠性差的缺点，提出了双参考系统的组合导航滤波结构，同时，针对这种结构子滤波器性质不同的特点，提出了异质滤波器多模型分布式滤波算法，解决了不同性质滤波器之间的联合滤波问题。最后，为了解决传统的联邦滤波算法精度与可靠性之间的矛盾，提出了分时融合反馈式联邦滤波结构，在降低故障系统污染整个系统的可能性的同时，精度较低的子滤波器也能够定时得到较高精度信息的校正，同时，无融合反馈阶段为渐变故障提供了反应时间，提高了系统对软故障的识别能力。　　针对惯性测量单元陀螺随机漂移的补偿问题，采用时间序列分析法建立陀螺漂移ARMA模型，提出了与最小信息准则(AIC)相结合的动态数据系统(DDS)定阶方法来确定ARMA模型阶数，并提出了残差自校正的递推增广最小二乘(RELS)算法对模型的参数进行估计。　　结合以上多传感器信息融合算法及组合导航方案，设计了分布式移动信息平台的总体结构，介绍了导航平台的硬件构成和软件组成。最后给出了系统静态试验和动态跑车试验结果，验证了导航方案的可行性。