惯性传感器是惯性导航系统的重要组成部分。随着导航技术的发展，对惯性传感器信号精度的需求越来越高，目前主要是采用信号处理的方式来提高其精度。但当惯性导航系统的实际应用环境中出现严重干扰（如噪声、遮挡）等恶劣情况时，很难进行信号的有效采样。因此，如何通过少数有效采样数据完成对信号的处理，成为当前惯性传感器信号处理研究的重点和难点。论文主要研究利用压缩感知的优势，并结合随机采样技术，为惯性传感器信号处理提供一种新方法。　　第一，在分析奈奎斯特定理的基础上，对压缩感知基本理论展开深入研究。重点从稀疏表示、测量矩阵以及重构算法三方面进行研究，并总结了压缩感知理论在信号处理上的优势。　　第二，根据惯性传感器信号处理的特点，提出一种基于随机采样和压缩感知的处理方法。当外界出现严重干扰（如噪声、遮挡等）时，很难获得信号的有效采样，因此，论文充分利用压缩感知理论的优势，并将其与随机采样结合，旨在利用较少的采样数据实现惯性传感器信号的准确重构，有效改善输出信号的精度。实验结果表明，该方法在提高信噪比的同时，能将信号的采样数据降低到20%，甚至更低，从而有效避免了跟踪目标的丢失。　　第三，针对OMP重构过程中存在耗时较长的问题，提出一种基于免疫量子进化算法的OMP重构方法。论文在对量子进化理论展开分析的基础上，将免疫机制运用于量子进化算法，以改进惯性传感器信号的OMP重构。该方法的突出特点是利用量子计算的并行性和免疫机制的高效性，实现最佳原子搜索进程的加速，同时通过引入量子交叉和量子变异等策略，防止陷入局部最优状态。实验结果表明，与传统的OMP重构相比，该方法在有效重构信号的同时，处理时间缩短了4s左右。　　最后，构建Matlab/Simulink仿真平台，以验证上述所提出算法的实时性。通过统一脉冲的方式，实现仿真系统时间的同步，同时利用S-Function模块进一步模拟DSP的运行方式，并建立模型验证算法的实时性。实验结果表明，当惯性传感器信号的采样频率为5000Hz时，该系统可以在130μs内完成信号处理过程，低于采样间隔200μs，能够满足信号实时处理的要求。