随着社会的发展以及科学技术的进步,无论是航天领域的深空探测还是智能机器人的自主作业,都离不开精确的导航定位技术作为其重要支撑。提供载体三维位置与三维姿态信息的过程称为导航。然而,单一导航传感器在工作过程中可能会受到环境干扰等因素的影响,导致其解算的导航信息具有较大误差。惯性导航系统由于其自主性好、可靠性高的优势,使得基于惯性导航技术的组合导航系统成为了目前各载体常用的导航方式。相较于传统以卡尔曼滤波为代表的递推式信息融合架构,基于图优化理论的信息融合方法可充分利用历史数据,得到更高的融合精度。因此,近年来以因子图为代表的图优化技术在多源导航信息融合中得到了广泛应用。传统因子图算法主要面向低精度惯性器件,并结合卫星、激光雷达、视觉等量测传感器,在自动驾驶领域、部分工业应用场景中有了较广泛的应用。然而,在如远距离精确打击等军事作战任务,卫星拒止的高精度民用场景（如煤矿开采）,其需要采用高精度惯性器件,以保障导航性能。但由于传统因子图算法建立在低精度惯性解算构架以及低精度惯性器件误差模型的基础上,无法发挥出高精度惯性器件自身优势。因此,目前以高精度惯导为基础的组合导航系统,其多源信息融合方式仍以卡尔曼滤波算法为主。针对上述情况,本文以高精度惯性器件为研究对象,开展以下具体研究工作:首先,针对传统因子图算法对高精度惯性器件适应性不足的问题,设计了面向高精度惯性器件的因子图融合构架,提出了面向高精度惯性器件的改进惯性预积分方法。仿真结果表明:在载体进行机动运动时或处于卫星拒止环境下,改进的惯性预积分方法可以提升导航系统解算精度,从而可以充分发挥高精度惯性器件的性能。其次,惯性器件误差是影响惯导系统精度的主要因素,惯性器件误差的在线标定可以实现对误差参数的在线估计与补偿,从而有效提高系统精度。传统的在线标定算法通常采用递推式的卡尔曼滤波方法,其对历史数据的利用率较低。针对于此,本文提出了基于因子图的惯性器件误差在线标定方法,构建了包含零偏、标度因数误差、非正交耦合误差在内的惯性因子模型。仿真结果表明:本文所提出的在线标定算法可实现对上述惯性器件误差的精确标定,进一步提升了载体导航定位精度。由于因子图算法利用全局优化方式,计算量较大,其估计精度的提升往往伴随着算法实时性的下降。针对于此,本文设计了基于滑动窗口算法的因子图推理方法,构建了状态边缘化策略,有效降低了传统算法的计算量。此外,当导航传感器发生故障时,其故障信息会对导航系统带来不利影响。本文提出了基于残差分析法的因子节点故障诊断方法,构建了基于因子图的导航传感器故障检测与隔离架构。仿真结果表明:本文所设计的滑动窗口算法及边缘化策略与传统批量平滑因子图算法相比,在保证状态估计精度的同时可有效提升算法实时性。本文所提出的因子节点故障诊断方法可有效检测出传感器故障,综合提高了基于因子图算法的组合导航系统实时性与鲁棒性。最后,本文构建了实际车载试验平台,并通过实际车载试验对所提出的算法进行验证。试验结果表明:本文所提出的改进算法与传统因子图算法相比,具有在载体定位精度、惯性器件误差参数在线标定、因子图算法实时性与鲁棒性三方面的优势。本文的研究成果对于提升载体在复杂环境下的自主导航能力具有一定的工程应用参考价值。同时为基于因子图理论的惯性器件在线标定算法、快速鲁棒融合方法提供一定的理论参考。