随着海洋探测与开发的不断深入，对具有自主导航能力的水下机器人的需求越来越大。在深海复杂环境中，单独的采用惯导组件进行导航，无法克服系统误差的累积问题、无法满足高精度自主导航的要求，而采用多传感器提供的多元信息融合技术以及优化滤波算法成为研究的主要趋势。本文研究了水下自主机器人在自主导航过程中的关键算法—AUV组合导航算法。本文设计的系统是基于多元信息融合的AUV组合导航系统，即采用惯导组件、GPS和多普勒测速仪等设备作为导航参数的输入源，协同进行导航系统的计算与修正。同时为了克服误差积累问题，设计了“水面校正-水下潜航”模式。在“水面校正”的导航模式下，用捷联惯导/GPS组合导航系统，使用GPS发送的实时数据来纠正速度和位置信息；在“水下潜航”的导航模式下用捷联惯导/DVL组合导航系统进行导航参数计算。从AUV实际环境运行的角度，从确保系统运行稳定、安全，同时能保证导航精度符合系统需要的前提出发，分别研究、实现并测试了基于鲁棒H∞滤波的组合导航算法以及基于BP神经网络优化的扩展卡尔曼滤波组合导航算法，根据实际运行结果分析各自的优缺点。扩展卡尔曼滤波是在卡尔曼滤波的基础上针对非线性环境的改进算法，需要根据捷联惯导和DVL各自的误差方程来设计扩展卡尔曼滤波器的状态方程和观测方程，从而计算出各个误差项。它具有高精度和高实时性的优点，但是由于它需要以已知准确数学模型以及已知的系统噪声和观测噪声统计特性为前提，但在深海复杂环境中运行的AUV导航系统很难实现，因此，往往会造成系统的发散甚至系统崩溃。针对扩展卡尔曼滤波可靠性较差的问题，在保证AUV远距离精确导航所需求的精度、实时性问题的前提下，提出了基于鲁棒H∞滤波的组合导航算法以及基于BP神经网络优化的扩展卡尔曼滤波组合导航算法。鲁棒H∞滤波算法是一种建立在鲁棒控制理论基础上的次优估计算法，算法成立的假设条件是外部噪声的能量有限，并不需要噪声的具体数学统计模型，它将噪声和不确定输入看作是能量有限的随机信号，使系统的干扰到估计误差的闭环传递函数的H∞范数小于给定的正数γ0，所以特别适合在水下这种外界噪声未知的情况下使用。而且在组合导航中使用H∞滤波算法，在保持必要导航精度的前提下其稳定性远远优于Kalman滤波，十分适用于AUV对未知海域的探测。神经网络具有并行处理、自学习能力和分布式存储，同时还具有很强的容错性和鲁棒性。利用神经网络的特点对信号进行处理，可以忽略模式识别方法中建模以及特征提取过程，从而在根源上减小因模型不确定或特征选择不恰当而引起的误差，以提高系统性能。BP神经网络是一种使用误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入/输出模式的映射关系，但无需事前揭示描述这种映射关系的数学方程。本文将扩展卡尔曼滤波算法与BP神经网络的结合，有效的解决了卡尔曼滤波算法的数学模型未知和系数矩阵不匹配的问题，有效降低系统的不稳定性，提高滤波精度，并将之运用于AUV组合导航系统。实验结果证明，采用这两种算法进行组合导航有效的提高了系统的可靠性，且均无系统发散现象，进而保证了AUV实时精确导航的要求。