随着现代社会对导航系统的精度和可靠性的要求越来越高,单一的导航手段已逐渐难以满足需求,导航技术朝组合方向进行发展是必然的趋势。全球卫星导航系统（Global Navigation Satellite System,GNSS）和惯性导航系统（Inertial Navigation System,INS）的组合能够实现两者之间的优势互补,因此得到了广泛的应用。然而在诸如多径信号、信号频繁遮挡以及卫星信号短时失锁等复杂环境下GNSS的性能将受到极大影响,从而使得组合系统的性能也随之降低。本文针对上述复杂环境下的GNSS/INS组合导航算法进行研究,以提升组合系统在实际复杂环境下的性能,并采用紧组合的方式完成GNSS和INS的组合。首先基于INS和GNSS的误差模型建立状态方程,并以GNSS伪距和伪距率作为量测量建立非线性量测方程,完成了GNSS/INS紧组合系统数学模型的建立。在此基础上,本文围绕组合导航鲁棒滤波技术开展工作,主要工作和创新成果如下:（1）研究了扩展卡尔曼滤波（Extended Kalman Filter,EKF）和容积卡尔曼滤波（Cubature Kalman Filter,CKF）两种非线性滤波算法在GNSS/INS紧组合中的应用。理论分析表明,由于GNSS/INS紧组合状态方程为线性,因此EKF和CKF的时间更新过程等价,两者的差异是后者相比于前者能够在量测更新时在滤波表达式中保留非线性函数的高阶项。然而,GNSS/INS紧组合量测方程为弱非线性函数,因此CKF相比于EKF并无明显的性能提升。通过仿真计算和实验验证对上述结论进行了验证,结果表明EKF能够在显著减少运算量的前提下获得与CKF相近的估计精度。（2）为了提高复杂量测环境下EKF算法的鲁棒性,提出了最大熵EKF（Maximum Correntropy EKF,MCEKF）算法。首先指出EKF存在易受状态或量测野值影响的问题,因为EKF采用的是具有二次函数形式的最小均方误差（Minimum Mean Square Error,MMSE）准则作为代价函数,这使得其无法抑制野值的影响。然后介绍了最大熵准则（Maximum Correntropy Criterion,MCC）和Huber抗差估计的方法,并将两者结合作为代价函数,推导了所提MCEKF算法。通过仿真计算和实验验证对提出的算法在GNSS/INS紧组合系统中的有效性进行了验证。（3）GNSS/INS组合系统在复杂环境下工作时可能面临短暂的卫星信号失锁,这使得组合系统的性能将随之下降。为了提高陆地车辆导航应用在此类卫星信号量测缺失环境下的精度和连续导航能力,在非完整性约束（Non-Holonomic Constraints,NHC）的基础上进行改进,建立了完整速度更新（Holonomic Velocity Update,HVU）滤波模型,进而提出了一种基于速度更新辅助的紧组合导航算法。该算法在卫星信号量测缺失时,采用速度辅助信息作为量测量并采用提出的MCEKF算法进行滤波估计。通过车载实验对提出的算法在卫星信号短暂失锁下的有效性和鲁棒性进行了验证。