近年来海洋开发事业快速发展，水下机器人作为深海探测的主要工具获得了广泛的应用和关注，成为海洋工程领域近年来的研究重点。水下机器人被应用在不同的深海工作领域，比如深海矿产资源探测、海底设备监测、海洋生物学研究等深海应用领域。人们对水下机器人导航系统精度和稳定性提出了更高的要求，以满足更多高难度作业的需要。高精度和稳定性的导航方法研究是水下机器人设计中的挑战和关键难点之一。　　本文以国家863计划课题“4500米载人潜水器控制系统设计与关键技术研究”(No.2009AA093302)等科研课题为依托，对水下机器人组合导航系统以及导航融合算法进行了深入系统的研究。就目前发展情况而言，长基线定位系统(Long Base Line，简称LBL)和航迹推算系统(Dead Reckoning，简称DR)是目前应用广泛的导航方法。组合导航系统主要包括声学定位设备、运动传感器、多普勒计程仪以及深度计等设备。本文对水下机器人导航传感器、水下机器人导航系统结构以及传统导航融合算法进行了研究。期望能够提出更加有效的方法为水下机器人提供精确的导航信息，最终能够为水下机器人的安全航行和有效作业提供必要、有效的信息。　　本文主要研究内容如下:　　1)本文首要对水下机器人LBL/DR组合导航系统进行了研究。并分别对LBL系统和DR系统的基本工作原理和误差产生原因进行了分析、研究。　　2)针对水下机器人组合导航系统非线性和以及该系统在海底工作时容易受到噪声干扰的问题，本文深入研究了扩展卡尔曼滤波(Extended Kalman Filter，简称EKF)、无色卡尔曼滤波(Unscented Kalman Filter，简称UKF)、容积卡尔曼滤波（Cubature Kalman Filter，简称CKF）以及平方根CKF(Square-root CubatureKalman Filter，简称SRCKF)四种非线性融合方法。在此研究的基础上引入了自适应SRCKF滤波(Adaptive SRCKF，简称ASRCKF)方法，该算法能够在线估计非线性系统噪声，并将其加入到滤波运算当中。通过数值仿真实验比较了自适应SRCKF方法和标准CKF算法的优缺点，实验证明本文引入的自适应SRCKF相比传统KF算法，在估计精度和计算速度方面均有一定程度提高。　　3)针对由于LBL系统定位信息更新率过低，导致基于卡尔曼算法的组合导航系统稳定性和精确性不高的问题，研究了支持向量机(Support VectorMachine，简称SVM)及其他机器学习算法。并在研究的基础上，将SVM算法引入水下机器人组合导航框架当中，提出了基于自适应SRCKF和SVM算法的混合导航方法。同时，为了优化SVM算法的性能，本文引入了粒子群优化(Particle Swarm Optimization，简称PSO)算法对SVM参数进行寻优配置。最后，通过“蛟龙”号海试导航数据进行的实验证实了算法的优越性。