标准Kalman滤波（Kalman Filter,KF）是最优估计领域里的主要算法之一,在导航、定位、控制、通信和制导等领域得到了广泛应用。KF需在数学模型确定和噪声统计特性先验已知的前提下,才能实现最优估计。然而,在大多数实际应用中,粗差不可避免地存在于观测值中,并且噪声协方差信息往往是未知或有偏差的,这些都会使得滤波结果次优,甚至发散。因此,如何有效抵制滤波系统中的粗差及未知或有偏差的噪声协方差信息对KF精度的影响,是目前自适应滤波亟待解决的关键问题。此外,粗差会导致新息出现异常,使得新息统计信息异常,进而造成噪声协方差的估计结果出现偏差。因此,当有粗差存在时,如何保证噪声协方差信息的正确估计是本文要解决的另一关键问题。本文围绕上述问题主要做了如下方面的工作:（1）提出了一种将自协方差最小二乘噪声协方差估计方法（Autocovariance Least-Squares Method for Noise Covariances Matrices Estimation,ALS）和基于M估计的抗差Kalman滤波（Robust Kalman Filter,RKF）方法进行组合的自适应滤波方法,该方法是本文提出的第一种组合自适应滤波（The First Combined Adaptive Kalman Filter,CAKF1）方法。CAKF1方法首先引入基于M估计的RKF方法抵制粗差对Kalman滤波精度的影响;再基于相关观测抗差估计的基本思想,抵制异常新息对其自协方差和互协方差的影响,从而正确估计出新息统计信息的相关函数序列;最后采用ALS消除噪声协方差信息之间的耦合影响,准确估计出未知的噪声协方差信息,并采用迭代策略,以消除先验噪声协方差有偏差带来的误差影响。通过两个仿真实验验证本文提出的CAKF1方法,实验结果表明:与KF、RKF和ALS相比,CAKF1方法能有效抵制粗差、克服先验噪声协方差有偏差带来的误差影响,并能准确估计出噪声协方差信息。（2）提出了一种将ALS方法和基于卡方检验的抗差Kalman滤波（Robust Kalman Filter Based On the Chi-Square Test,CRKF）方法进行组合的自适应滤波方法,该方法是本文提出的第二种组合自适应滤波（The Second Combined Adaptive Kalman Filter,CAKF2）方法。CAKF2方法首先引入CRKF方法抵制异常新息对后续历元状态估值的影响;随后,基于相关抗差的基本思想,构造出新息统计信息的相关抗差模型,顾及新息序列之间的相关性,以此修复异常的新息统计信息,从而得到准确的验后新息统计信息;再采用ALS消除噪声协方差信息之间的耦合影响,从而正确估计出噪声协方差信息;最后采用迭代的策略消除先验噪声协方差有偏差带来的误差影响,从而实现对异常新息中耦合的粗差和先验噪声协方差偏差的剥离。通过数值仿真实验验证本文提出的CAKF2方法,结果表明:与KF、CRKF和ALS相比,CAKF2方法可同时抵制粗差和克服先验噪声协方差有偏差所带来的误差影响,具有更高的噪声协方差估计精度和滤波精度。（3）将本文提出的两种组合自适应滤波方法（即CAKF1方法和CAKF2方法）应用于GNSS精密单点定位中,并通过国际GNSS服务（International GNSS Service,IGS）测站数据进行验证,结果表明:CAKF1方法较KF、RKF和ALS具有更高的滤波精度;CAKF2方法较KF、CRKF和ALS具有更高的滤波精度;CAKF2方法的滤波精度略优于CAKF1方法;CAKF1和CAKF2的噪声协方差信息的估值精度均优于ALS方法;CAKF1和CAKF2方法均能有效抵制粗差,保证噪声协方差信息的正确估计,为同时考虑粗差和未知噪声协方差信息的组合自适应滤波方法提供了两种有效组合思路。