随着多星座卫星导航系统的发展与用户端设备成本的下降,GNSS定位技术在国民生产、生活的各个领域获得越来越广泛的应用,然而将其用在人口密集的城市区域或电磁环境复杂的战场环境中无法保证导航的连续性和可靠性。GNSS拒止是指卫星信号被干扰、遮挡以及欺骗攻击等导致的GNSS定位设备无法正常输出导航参数的情形,以城市峡谷环境下车载导航平台为例,其高精度的组合定位、定向系统面临信号衰减、强多路径以及信号短时失锁等挑战。本文以车载导航为背景对GNSS拒止环境下GNSS/INS组合导航关键技术进行研究,主要围绕光纤陀螺(Fiber Optic Gyroscope,FOG)的误差数据处理和鲁棒的组合滤波技术开展研究。论文的主要工作与创新成果如下:1)针对FOG静态漂移数据的非线性、非平稳性特征,研究采用经验模态分解(Empirical Mode Decomposition,EMD)及其噪声辅助分析方法实现FOG随机噪声的去噪。采用有界的迭代噪声辅助的方式消除辅助噪声的残差和虚假模态,将小波域的阈值滤波算法引入到EMD的模态单元去噪中,利用本征模态函数的震荡特性和极值点分布特征优化了模态滤波的连续性,将样本熵和概率密度函数(Probability Density Function,PDF)欧式距离组合获得更准确的模态分类结果。测试数据分析表明,所提阈值去噪方法较基于平稳小波变换的阈值去噪在滤除FOG零偏不稳定性及速率随机游走上性能更优。2)为辨识FOG漂移数据中的特征量,基于EMD的数据驱动特性提出一种多尺度的预测去噪与建模方法。分析了前向线性预测(Forward Linear Prediction,FLP)滤波的特点,并在其基础上利用灰色理论的累加生成方法在不增加FLP滤波延迟的基础上提高其权值的估计精度,将上述方法用于EMD生成单尺度数据序列的去噪中,并对输出的多个尺度数据序列进行累加重构得到去噪后的漂移数据。针对温度漂移误差的多因素交叉耦合特征提出多尺度的漂移建模方案,采用极限学习机对温度梯度变化产生的Shupe误差和受热应力影响的偏置误差单独建模与预测补偿。实验仿真结果表明,在补偿静态环境下的FOG温度漂移中,多尺度建模方案较基于单尺度的随机建模方法精度提高2个量级。3)为解决组合导航非线性量测更新中线性新息更新效率低下的问题,采用最大后验(Maximum a Posterior,MAP)滤波框架对GNSS/INS紧组合滤波进行了分析。为消除迭代更新过程中状态相关噪声的影响,在迭代量测更新中应用了状态扩增技术,加入阻尼因子加速迭代过程的收敛并确保状态估计精度的提高。实验与仿真结果表明,迭代更新框架可以改善非直接可观测状态的估计精度,当状态后验PDF满足单峰的高斯分布时改进效果更明显,且当量测模型为非线性方程时,MAP滤波器在稳定时较非迭代滤波获得更小的稳态误差。4)为改善容积卡尔曼滤波(CubatureKalmanFilter,CKF)的鲁棒性,基于模型误差分析提出了一种新型的Sigma点更新框架,并将其嵌入到3阶球面径向积规则中实现了鲁棒CKF(Robust CKF,RCKF)。为消除CKF中容积点对状态维数和状态高斯分布的依赖性,将预测Sigma点误差阵直接转换到后验PDF对应的Sigma点误差,降低了 CKF滤波过程对量测缺失和相关噪声的敏感性。此外由于改善了滤波预测过程的精度,量测模型中的不确定性对姿态估计的影响明显小于位置与速度。仿真结果表明在GNSS失锁期达到2分钟时,扩展卡尔曼滤波(Extended Kalman Filter,EKF)定位误差为RCKF的3倍以上,跑车实验进一步验证RCKF的有效性,其在GNSS频繁遮挡环境下航向角和东向位置分别较EKF改善了 89.3%和56.7%。