卡尔曼滤波(Kalman Filter)是应用于线性系统的最经典的滤波方法,但是在现实的系统中,绝大多数情况都是非线性的,所以传统的卡尔曼滤波和线性模型并不能很完整的对系统进行估计。因此建立非线性模型,进行非线性滤波,更加符合现代系统对滤波的性能要求。利用确定性采样策略来逼近系统的实际分布的非线性滤波方法由于没有对非线性系统线性化的这一过程,因此得到了人们广泛地关注和应用。容积积分卡尔曼滤波(Cubature Quadrature Kalman Filter,CQKF)算法是近年来较为新颖的算法,其特点主要有精度高、更加适应非线性系统等。CQKF算法正在获得更多的关注,成为处理非线性滤波问题时的有效滤波算法。捷联惯性导航系统(Stapdown Inertial Navigation System,SINS)在航空、航海、制导等领域有着重要的作用和地位,而初始对准是捷联惯导的一项关键技术,其对准精度和对准时间直接影响着系统的工作性能。传统的滤波方法只考虑到方位失准角为小角度的情况,通过将系统模型线性化,完成初始对准。然而实际上方位失准角多数为大角度,因此建立大方位失准角初始对准模型,是提高惯导系统性能的重要途径。本文在此基础上研究了基于CQKF的大方位失准角初始对准方法首先,介绍了传统卡尔曼滤波器原理及其特点,但该算法只能应用于线性模型,因此,本文重点分析了经典的容积卡尔曼滤波(Cubature Kalman Filter,CKF)算法。CKF的特点,包括有着严格的数学理论推导过程、滤波不易发散、精度更高等。其次,本文着重研究了CQKF的基本理论和推导过程,并总结了该算法的特点。CQKF是CKF的进化,在完全继承了其优点的同时,进一步提高了滤波精度。CKF在径向积分部分只取得了一阶的精度,针对这个问题,CQKF利用Gauss-Laguerre quadrature准则将该部分的积分精度提高到二阶。再次,由于噪声对上述滤波方法的性能有着不可忽视的影响,对先验噪声统计准确性的过度依赖是上述所有滤波算法不可避免的问题。在实际应用中,大多数系统的噪声统计是不准确甚至是不可知的。针对这样的问题,本文深入研究了Sage-Husa自适应滤波的原理,将其与CQKF相结合,提出了噪声自适应的CQKF算法以解决上述问题。最后,由于传统的初始对准将模型线性化,该方法存在着不稳定、精度低等问题。针对上述方法存在的适应性和精度等问题,本文介绍并采用了大方位失准角初始对准模型,并将CQKF算法应用于捷联惯导大方为失准角初始对准系统中,获得了更高的对准精度。对于滤波噪声统计特性不准确的问题,利用噪声自适应算法与CQKF相结合的方式,并针对该模型加以改进,使其得到了很好的解决。仿真结果证实上述滤波算法的有效性。