本文对组合导航系统的噪声模型与精度评估的一些关键技术进行了深入研究，尝试采用改进的噪声模型参数估计算法克服导航数据中观测噪声对卡尔曼滤波的影响，并结合人工神经网络的最新研究成果，采用改进的BP人工神经网络学习算法结合自适应学习率和动量法对组合导航系统的精度进行评估。本论文的主要研究意义在于减小噪声对卡尔曼滤波的影响，提高导航系统的精度和稳定性，并给出了评估组合导航系统精度的有效工具。 本论文首先介绍了GPS／惯性组合导航系统的误差和误差模型，综述了GPS和惯导系统的误差和误差来源，给出了这两种导航系统的误差方程，讨论了导航系统中常用的数据处理方法—卡尔曼滤波，给出卡尔曼滤波的基本方程，深入研究了卡尔曼滤波在组合导航系统数据融合中的应用。 其次，讨论了人工神经网络的基本概念和结构，在综述BP神经网络的学习算法的基础上提出了改进的BP神经网络学习算法。 再次，针对卡尔曼滤波方程的前提条件不满足而影响导航系统的精度的问题，应用时间序列分析理论提出了一种改进的噪声模型参数估计算法，对此算法进行建模，仿真结果表明，该算法能有效的控制一阶自相关特性以外的噪声对参数模型估计的影响，提高卡尔曼滤波精度。 最后，运用改进的BP神经网络学习算法对西安试飞所提供的GPS／惯导组合导航系统输出数据进行分析，得出机载组合导航系统的精度。理论分析和计算表明，采用神经网络算法对导航系统进行精度评估能降低精度评估的难度、提高评估的可靠性并能够减少工作量。