本文对INS误差时频特性分析处理及组合导航滤波模型精化的问题进行了较为系统和深入的研究。针对INS误差积累、滤波模型确定困难等问题，提出利用时频特性分析的方法对误差进行分析和消噪处理、精化滤波先验模型，并研究有色噪声的探测等若干问题。主要工作和创新点概括如下：1．归纳几种基本时频特性分析方法的特点及其转换关系；从理论上分析惯性元件中几种主要误差源的功率谱特性；通过对实际数据的时频分析说明误差源特性及表现形式，比较静态和动态条件下的误差时频特性。2．通过分析小波阈值消噪的本质原理，说明了小波阈值消噪在某些条件下特别是在惯性元件误差处理中具有许多局限性。静态惯性元件数据的实际信号幅值很低，此条件下使用小波阈值消噪违背了阈值消噪的原理；小波阈值消噪假定噪声为白噪声，而惯性元件的输出信号含有大量有色噪声成分，小波阈值消噪的效果有限。3．对于静态IMU数据，提出EMD强制消噪方法，该法按照2sigma准则剔除振幅偏大的异常噪声，利用相关系数确定随机高频噪声IMF分量的个数，对剩余IMF分量进行重构。EMD强制消噪法克服了静态条件下小波阈值消噪法的局限性。4．对于动态IMU数据，提出EMD阈值消噪方法，该法用高斯分形噪声作为惯性元件误差的模型，以反映元件中依时间相关的有色噪声成分，利用功率谱密度方法估计模型参数，基于噪声模型推导各IMF分量中噪声的方差，以此估计各分量相应的阈值。EMD阈值法紧密结合噪声模型估计各分量的阈值，能够更有效地削弱元件中的随机误差。5．提出建立较为准确的先验滤波模型的重要性；从功率谱密度形式的频域随机模型角度出发，提出利用时频特性分析方法精化组合导航先验滤波模型。该法既减少了确定滤波模型时的主观性和经验性，也避免了实际滤波应用前的繁琐调试。6．以有色状态噪声相邻时刻相关的情况为例，基于正交投影理论推导了有色噪声条件下的严密滤波解。有色噪声下严密滤波算法是经典Kalman滤波算法的扩展，经典Kalman滤波算法是严密解的特例。7．提出对噪声相关性进行实时探测处理，包括图解法和假设检验法两种算法。图解法直观地确定噪声相关程度；假设检验法理论严密，便于实时处理。应用探测方法时，若噪声存在时间相关性，就采用有色噪声下的滤波算法进行处理以提高解算精度；若噪声不相关，可采用经典Kalman滤波以提高效率。