针对舰船作业过程中升沉运动精确测量的应用需求，提出了基于惯性导航系统的升沉运动测量方案。针对海况变化条件下，传统固定滤波参数数字滤波器自适应性不足，以及存在相位偏移和幅值误差等问题，提出了一种结合互补方法的自适应数字高通滤波器。该滤波器基于先验知识与实时海况监测结果，可自适应调整滤波器参数。首先通过一滑动监测窗口对海况进行实时监测，并对滤波器参数进行实时自适应调整；随后对加速度测量值进行2次积分与3次自适应高通滤波，滤除低频误差，保留有效高频升沉运动。不同海况条件下的仿真与试验验证了测量与滤波方案的可行性。试验结果表明: 新滤波方法相比传统方法，能根据海况实时自适应调整滤波参数，升沉运动相位误差和幅值误差减小，仿真实验中幅值误差缩减约10倍，模拟试验中幅值误差缩减约2倍，测量精度精确到厘米级。

在单轴旋转惯性导航系统中，旋转轴不正交误差对于水平方向上的姿态角会产生一定的影响。针对传统最小二乘拟合估计旋转轴不正交角存在拟合近似误差大、未考虑到数据的统计特性等缺陷，提出一种基于Kalman滤波的水平姿态角误差修正方法。在传统方案的基础上，增加以加速度计的输出作为观测量，并采用带有确定性控制项的Kalman滤波方法估计旋转轴不正交角，进而修正转轴不正交误差。仿真实验结果表明，转轴不正交角较大时，该方案将水平姿态角误差峰峰值从传统的最小二乘拟合修正方案的502进一步降低至102以内，精度提升了约80%。实际试验结果表明该方案相比于传统的最小二乘拟合修正方案，提升了水平姿态角精度。

由微机电惯性导航系统和全球定位系统构成的组合导航系统在卫导信号失锁的情况下，纯惯导定位误差将迅速发散。为了抑制惯导系统误差发散，提出了改进的径向基神经网络与自适应卡尔曼滤波算法，并提出了新的网络训练模型，采用自适应量子粒子群算法改进径向基神经网络的结构设计与参数。在卫导信号可用时用组合导航数据训练神经网络，当卫导信号失锁时，由改进的径向基神经网络预测自适应卡尔曼滤波的量测，使滤波器继续为系统提供速度与位置修正值。实验结果表明，转弯行驶状态下，卫星失锁15 s时，相比较原算法，水平定位精度提高了62%，有效抑制了惯导误差。