MEMS技术的迅猛发展为微惯性测量单元(MEMS IMUs,MIMUs)在低成本惯性导航系统中的应用提供了广阔的空间。本文以车载MIMUs/GPS导航系统为研究对象,在MIMUs单机工作的基础上,将MIMUs与GPS结合起来,借助Kalman滤波技术,开展MIMUs/GPS信息融合策略的研究。研究MIMUs单独工作时的导航解算方法,根据实际应用中陀螺仪的输出方式分析姿态四元数微分方程解法的应用场合。同时,为了弥补纯惯性模式下导航误差逐渐积累这一不足,完成MIMUs/GPS组合系统Kalman滤波器设计,通过对误差的有效估计,提高导航精度。考虑到GPS易受到外界干扰这一实际情况,提出一种Adaboost优化的组合导航系统信息融合算法,寻求GPS失锁时导航系统的信息处理策略,通过迭代训练出强学习器在GPS失锁时间段内能有效预测Kalman滤波器的滤波观测值,在GPS断开的50s时间内,采用基于Adaboost改进的BP算法能有效地预测出松组合模式下导航系统滤波的观测值,在不损失系统实时性的前提下,确保滤波器具有了理想的导航预测稳定性和预测精度。针对系统量测噪声统计特性随时间和周围环境发生变化这一问题,提出一种基于正态云模型的模糊自适应滤波方法,通过更新系统理论残差和实测残差的一致性程度,建立其与量测噪声方差阵的关系,利用正态云模型不确定性推理,自适应地调节量测噪声方差阵的系数,以使其更加符合系统当前的实际情况,与传统的Kalman滤波方法相比,获得了更好的滤波效果。此外,在系统状态突变时,为了不丧失对状态的快速跟踪能力,提出基于正态云模型的模糊强跟踪滤波,通过模糊规则建立柔化因子与实测残差之间的关系,实现对柔化因子的动态更新。仿真结果表明,上述方法能够提高各自情况下的导航精度,优化系统性能。同时,将云模型理论应用到导航信息处理领域当中,也为处理组合导航的信息融合问题提供了一种新的思路。