为提高捷联惯导在高动态条件下的姿态解算精度，基于等效旋转矢量泰勒级数展开法，提出一种基于正弦函数拟合的高动态捷联惯导姿态更新算法。以正弦函数拟合载体运动角速度，考虑Bortz方程高阶项的影响，对陀螺角增量表示的旋转矢量进行泰勒六阶展开，对比旋转矢量不同形式表达式求得误差补偿系数。在MATLAB平台上，以圆锥运动与大角速率转动并存环境作为仿真条件，对所提算法与传统算法进行对比仿真分析。仿真结果表明，在小半锥角低频圆锥运动伴随高速角速率转动情况下，所提算法性能较好，当半锥角为0.5 °、角频率为2.26π rad/s、常值角速率为5.30 rad/s、姿态解算周期为0.02 s时，所提正弦函数拟合三子样旋转矢量算法与传统扩展形式频率级数/显示频率三子样圆锥算法相比误差降低了2个数量级。

针对中低空飞行器地形匹配与惯导组合中惯导误差累积导致高程图变形限制地形匹配精度、二维地形匹配运算量大和地形匹配失效时定位可用性差的问题，提出一种基于测速测距激光雷达的地形匹配导航方法。利用激光测速信息辅助构建高程图，减小高程图变形从而提高匹配精度，同时降低匹配结果与惯导的相关性；设计集成尺度不变特征变换（SIFT）特征与分步核验的地形匹配算法，提高匹配的实时性；采用激光测速信息辅助校正惯导，提高地形匹配失效时定位的可用性。典型场景地形数据的测试结果表明，基于激光测速辅助构建的高程图较基于惯导构建的高程图的地形匹配定位精度提高了36.6%，所提的卡方初始化随机抽样一致性地形特征误匹配检测算法（TCI-RANSAC）相比于RANSAC算法缩短了55.6%的核验时间，且测速信息的引入将组合定位精度提高了65.9%，具备较高的工程应用价值。

针对惯性/天文组合导航系统中大的初始状态误差影响惯导误差收敛速度的问题，在星相机观测具有先验位置信息的有限空间目标的辅助下，提出一种基于目标-恒星角距异步测量的惯导误差在线快速确定方法。首先，在星相机光轴旋转角度和视场角大小受限的情况下，设计了通过异步照相观测方式获取有效空间目标参考信息的方案；其次，在利用惯导误差状态传播模型实现异步测量信息同步处理的基础上，构建基于空间目标与恒星之间角距的非线性最小二乘优化模型，避免了星相机的光轴扰动和安装误差对测量精度的影响；最后，基于高斯牛顿法设计了两轮迭代优化估计惯导位置误差和速度误差的方法。蒙特卡洛仿真结果表明，所提方法利用对空间目标和恒星的有限观测信息，可以有效估计惯导位置误差和速度误差，在初始位置误差约十千米量级的情况下，可以估计补偿约97.73%的位置误差以及66.25%的速度误差，优化求解误差参数的计算耗时为0.0160 s。

针对AUV协同定位系统中水声测距信息存在大量野值的问题，提出一种基于哺乳动物大脑海马体空间细胞认知机理启发的主从式AUV协同定位方法。首先，利用二维连续吸引子网络模型对网格细胞进行建模，并基于从艇速度与航向信息实现路径积分；其次，引入竞争性Hebb网络对多个网格细胞板自组织编码，从而基于多尺度网格细胞板加权生成具有单个放电活动包的位置细胞板；最后，将主从艇之间的水声测距量测信息转化为位置细胞放电活动，并利用其对位置细胞放电进行更新，从而校正从艇路径积分累积误差。由于位置细胞能够通过多次放电更新逐渐逼近真实位置，从而可以有效降低单一量测野值对于系统定位精度的影响。仿真实验结果表明，在水声测距量测噪声含有大量野值点而不满足高斯分布的情况下，所提出的类脑协同定位算法对量测噪声野值具有更高的鲁棒性，与有阈值判断的扩展卡尔曼滤波（EKF）协同定位算法相比定位精度提高28%。

针对复杂环境下超宽带（UWB）无线定位系统存在非视距（NLOS）及随机误差的问题，提出一种基于改进Sage-Husa卡尔曼滤波算法（SHKF）的UWB/IMU组合定位方法。首先，设计了一种基于概率密度的提升树，将UWB/IMU特征数据的概率分布密度引入提升树的损失函数中，鉴别出NLOS信号；然后，设计了一种改进SHKF算法，根据新息变化趋势定义自适应因子，实时调整对新息误差修正的策略以调节历史噪声对当前定位的影响，进而提升UWB/IMU组合定位的稳定性和精度。实验结果表明，所提方法将NLOS信号鉴别精度提升至99.12%，定位均方根误差降低至4.30 cm，提升了复杂环境下UWB/IMU组合系统定位精度。

针对RGBD-SLAM在特征提取环节，由深度相机得到的深度图易出现深度不连续以及突然出现动态物体造成轨迹误差增大的问题，提出一种基于区域映射深度优化的动态多特征RGBD-SLAM算法。利用轻量级的语义分割网络获取RGB帧中的语义信息，将得到的语义掩码映射到其对应的深度图像中，并在掩码映射后的区域内进行近邻修复以完成深度图的优化。为减少动态物体对SLAM系统轨迹精度的影响，通过迭代最近点求解相机位姿，结合多视图几何得到物体位姿、运动估计矩阵以及动态视觉误差，进而估计物体运动状态并剔除动态物体。根据双向映射背景修复模型补全剔除区域的静态信息，并进行点线面特征的提取以完成定位与建图的任务。在公开数据集TUM中进行验证，实验结果表明所提算法相较于ORB-SLAM3、RGBD-SLAM、DS-SALM的平均绝对轨迹误差分别减少了78.2%、81.4%以及17.6%，表现了良好的轨迹精度与构图能力。

在卫星拒止条件下无人机安全、可靠地完成各类作业的基础是获取高精度的定位信息，传统图像匹配方法保障困难、定位精度差且匹配约束多。因此，提出一种基于深度特征正射匹配的视觉定位方法，通过深度学习网络提取正射校正后的无人机航拍图像和商业地图的深度特征，获得匹配关系，进而计算无人机高精度位置信息。根据视觉测量机理模型分析不同因素对视觉定位精度的影响，使用中空航拍图像数据集进行离线实验，实验结果表明：相比传统基于方向梯度直方图（HOG）特征的模板匹配方法，所提方法的定位精度提高了25%，位置均方根误差（RMSE）优于15 m+0.5%H（5000 m以下），具有一定的工程应用价值。

针对因受加工技术、加工条件以及外部环境因素等影响，半球谐振陀螺在力平衡模式下输出零偏稳定性及重复性变化较大的问题，提出一种基于模态切换的陀螺自校准方法。基于半球谐振陀螺二阶振动模态机理，建立理想状态下谐振子运动方程，并分析推导了谐振子在阻尼不均和频率裂解等非理想因素影响下的运动模型和参数控制方程。根据谐振陀螺输出漂移特性，提出了一种基于电极功能切换的半球谐振陀螺自校准方法。通过相关实验，分析比较了电极模态切换前后陀螺输出稳定性及重复性，实验结果表明，陀螺零偏稳定性提升1.8倍以上，陀螺零偏重复性提升90.5%，所提方法能有效估计及补偿陀螺漂移，提高半球谐振陀螺输出的稳定性和重复性。

针对微机电系统（MEMS）加速度计全温性能低的问题，提出锚区应力对消方法、低应力粘接工艺和温度补偿方法。首先，通过调整两个键合的锚区面积大小实现锚区应力对消，使得加速度计的温度性能得到改善；然后，建立加速度计堆叠封装模型并对专用集成电路（ASIC）粘接参数、加速度计敏感结构点胶方式与点胶参数进行仿真分析，从而确定了加速度计的低应力粘接形式和粘接工艺；最后，对加速度计零偏和标度因数设计了三阶温度补偿方法并进行了实验测试。实验结果表明，加速度计全温零偏稳定性达到47.3 μg（1σ）、全温标度因数稳定性达到43.6 ppm（1σ），提高了加速度计的全温性能。

为了提高科氏振动陀螺仪驱动模态的控制精度与稳定性，设计了基于DDS-PLL技术的MEMS陀螺仪闭环驱动系统。利用基于直接数字频率合成器（DDS）算法的数字锁相环实现对陀螺谐振频率和相位的跟踪，采用数字自动增益模块（AGC）实现驱动幅值的稳定控制。实验结果表明，通过DDS算法实现的闭环驱动系统具有更高的控制精度，驱动幅值变化的均方差缩小到0.0011 mV，幅度稳定性为183 ppm，谐振频率变化的均方差缩减至0.07 Hz，频率稳定性为3.48 ppm，陀螺仪驱动模态的幅值和频率控制精度得到了提高。

为提高光纤陀螺（FOG）在变温环境下输出误差的补偿精度，在长短期记忆神经网络模型（LSTM）基础上，利用分段非线性粒子群算法（PN-PSO）对LSTM模型超参数寻优，建立PN-PSO-LSTM光纤陀螺温度补偿模型。为有效降低计算和存储开销，便于部署在资源受限的硬件环境中，提出一套适用于光纤陀螺应用场景的模型压缩方案，包括：知识蒸馏、剪枝、激活函数线性化、定点数量化等。最后基于Xilinx公司某芯片完成部署。对比实验结果表明，相较于传统反向传播（BP）模型和传统PSO-LSTM模型，采用所提模型补偿后，陀螺零偏输出均方误差分别降低74.4%和53.5%，模型压缩后在大小减小94.1%的同时，陀螺零偏输出均方误差仍然比传统全精度模型更低，在FPGA实现后对比PC端模型推理速度提升98.47%。

针对无人机集群在多障碍物或空间受限等复杂环境中协同飞行时无法实现群体自主的协同演化及适应环境、态势的变化，导致整个群体运动产生振荡、失控等一致性差的问题，提出一种无人机集群运动一致性的群体熵度量理论。通过建立群体运动行为稳定程度的熵度量函数，作为个体之间协同运动的适应度值指标，实现复杂环境下无人机集群运动一致性的自适应调节。最后进行仿真实验，相比传统无人机集群算法，引入群体熵度量的无人机运动集聚收敛速度提高30%，复杂环境中集群运动的熵值波动范围下降21.8%，有效证明群体熵度量对于无人机集群运动一致性的提高。

针对结构健康监测场景下，全球导航卫星系统（GNSS）形变监测序列中各类特征相互混叠，难以进行特征提取与独立分析的问题，提出一种基于多参数自适应变分模态分解（MA-VMD）的时间序列分解算法。首先对变分模态分解（VMD）算法中多项参数对分解结果的影响进行了综合分析；然后从原始序列以及分解结果的频域特性出发，自适应调整分解模态数、惩罚因子、初始中心频率及拉格朗日乘子四组参数，建立MA-VMD算法。仿真序列实验表明，MA-VMD算法的序列分解结果与真实值之间的互相关系数为98.77%、均方根误差为0.1365 mm，均接近全局最优，并显著优于经验模态分解、奇异谱分析、改进变分模态分解等算法。最后基于实测GNSS变形监测数据验证了所提算法在工程应用上的有效性。