组合导航依靠不同子系统的传感器数据和设备之间的互补特性互相弥补缺陷,实现高于子系统的定位精度。因此,采用任何组合导航架构,其核心都是如何进行多个子系统的数据融合以实现更高的定位精度。针对多传感器融合中存在的各类不确定因素对系统造成的影响,包括传感器性能的变化,传感器统计特性未知,电磁环境或机动突变导致的粗差等。对于以上问题,目前已经有一些算法可以进行一定程度的修正和补偿,例如自适应滤波解决传感器统计特性未知,鲁棒滤波解决观测粗差。但传统的自适应滤波难以实现多个传感器观测噪声时变或未知等恶劣环境下的滤波精度下降的问题,也难以同时实现恶劣环境下的自适应性和鲁棒性同时具备的组合导航系统。基于以上问题,本文利用统计学和质量控制理论方法,提出了基于方差估计的同时具备自适应性和鲁棒性的多传感器融合系统,可以有效抑制多传感器融合过程中大部分不确定因素对融合系统的影响,保障了系统的精度,同时提高了系统的可靠性。本文的主要研究内容如下:(1)为了解决传感器融合建模误差和传感器性能变化导致的多传感器融合系统精度降低甚至发散,本文提出基于方差估计的多传感器自适应融合滤波,通过各传感器的观测噪声和动力学模型的过程噪声的实时估计,实现先验信息错误和噪声时变等恶劣环境下的滤波增益有效修正,建立高精度的自适应融合滤波,并且通过仿真算例,验证了基于方差估计的自适应滤波相比传统自适应滤波的优势。(2)当环境突变等造成观测粗差时,利用观测残差的高斯分布性质进行卡方检验,实现异常观测有效检验。同时提出基于方差估计的双层权值分配,异常观测传感器内部配置观测权重,数据融合时在多传感器之间再次配置观测权值,实现合理使用异常观测信息,提高系统鲁棒性,并设计仿真算例,验证其优越性。(3)组合导航中传感器往往有不同的采样频率,本文针对多传感器的异步采样,设计了同时抑制建模误差,时变噪声和观测粗差对系统影响的多传感器融合算法,同时具备自适应性和鲁棒性,并设计仿真算例验证其有效性。