为提高陆用定位定向系统在行进间的初始对准精度，提出了一种基于回溯过程的里程计辅助捷联惯性导航系统行进间对准方法，在一定程度缩短了行进间的初始对准时间。所提方法分为粗对准阶段和精对准阶段。在粗对准阶段，采用基于回溯过程的改进惯性系解析对准提高了初始姿态阵的精度。在精对准阶段，使用基于回溯过程的卡尔曼滤波进一步提高对准和位置估计精度。仿真试验表明，所提方法能够自主高效地完成高精度初始对准和里程计辅助对准期间的位置估计，相比于现有算法其航向角估计精度提高了45.1%，位置估计精度提高了58.1%。

通过零速校正可以对惯性行人导航递推中的惯性累加误差进行抑制，现有方法常使用基于固定阈值物理模型的零速检测器，但此类方法在步态变化下需要调整参数。基于数据驱动的方法可以避免对模型的调整参数，但传统网络泛化能力较差。针对此问题，提出了一种基于模拟多位置数据增强驱动长短期记忆网络（A-LSTM）零速检测器。通过将惯性量测信息基于物理模拟变化投影至不同的位置，模拟在不同位置情况下的输出，增强泛化能力。并提出基于端到端的LSTM网络对零速区间进行检测，使用扩展卡尔曼滤波器进行导航融合，实现对于不同步态、不同穿戴位置下准确的惯性行人导航。最后在包含行走、跑步混合步态的实验中验证了所提算法的导航性能。相较于固定阈值零速检测方法与未增强数据的深度学习零速检测算法，所提算法零速检测成功率提升15%与12%，相较未增强数据的深度学习零速检测算法，首尾定位误差降低了70%。

在室外环境下，基于激光雷达传感器的里程计位姿容易产生累计误差，导致点云地图漂移甚至建图失败，严重限制了激光雷达SLAM的应用。针对这一问题，提出了一种面向室外环境的基于快速回环检测的激光雷达SLAM算法。利用扫描上下文（Scan Context）描述子和Kd-tree搜索获取候选的回环帧，有效提升计算的效率，并采用激光雷达虹膜（Lidar Iris）描述子计算回环帧间的相似度得分，通过残差项加权的特征匹配获取回环帧间的位姿变换，有效提升了回环检测的精度和速度。在KITTI数据集上的实验结果表明，与A-LOAM算法相比，所提算法的平均性能提升约50%，回环耗时有效减少，提升了在室外环境下的位姿估计精度和建图准确度。

传统磁力计在线校准需要惯性传感器辅助，计算复杂且精度不稳定。为此，提出一种六西格玛约束磁力计在线校准方法，重新对磁力计误差进行分类，构建精确的磁力计误差模型。使用六西格玛（SS）对磁力计校准模型进行管理，实现磁力计误差分类。提出了六西格玛约束扩展卡尔曼滤波（SEKF）方法，对磁力计误差校准。实验结果表明，在航向修正方面，采用所提出的磁力计在线校准方法的航向均方根误差相较于采用陀螺仪辅助（GA）法和扩展卡尔曼滤波校准（EKF）法分别降低了32%和12%以上。实现了一种无惯性传感器辅助的高精度磁力计在线自校准方法。