针对无人机自主导航的实时性差、精度低且对时变噪声的鲁棒性弱的问题, 建立了机器视觉和惯性导航相融合的组合导航系统, 并提出了一种自适应平方根无迹卡尔曼滤波(adaptive square-root unscented kalman filter, ASRUKF)算法。该算法通过观测值与估计值残差的Mahalanobis距离时刻修正系统噪声协方差, 再与采用最小偏度采样的SRUKF算法相融合, 从而达到时变噪声自适应抑制, 滤波快速且对噪声鲁棒性高的效果。仿真结果表明, 相比标准SRUKF, ASRUKF计算耗时减少约38.8%, 位移、速度和姿态角预测精度分别提高超过4倍和6倍, 且对于时变噪声鲁棒性更强。

针对四元数在飞行器姿态描述时存在冗余的问题，设计了把修正罗德里格参数（MRPs）作为描述姿态的一种全姿态描述方法，将加速度计和磁强计作为观测量，提出了基于平方根无迹卡尔曼滤波器(SRUKF)的姿态估计算法，针对外界环境对加速度计和磁强计的干扰问题，将专家系统引入SRUKF算法中，根据加速度及磁场信息实时调整滤波器的量测噪声矩阵，有效地提高了算法的抗干扰性。实验结果表明，该算法成功使系统的静态精度姿态角小于0.05°，航向角小于0.1°；动态精度姿态角小于0.5°，航向角小于1°，优化效果得到了明显改善。

毫米波/红外(MMW/IR)传感器是各国发展多模复合制导技术的重点.针对平方根无迹卡尔曼滤波(SR-UKF)的估计算法存在线性化误差及粒子滤波中得到优化的重要性密度函数比较困难的问题，将平方根无迹卡尔曼滤波与粒子滤波相结合，提出一种序贯融合的平方根无迹卡尔曼粒子滤波(SR-UK-PF)算法.利用平方根无迹卡尔曼算法得到的状态更新矩阵和误差协方差矩阵，构造粒子滤波的重要性密度函数，这样重要性密度函数能够融入最新观测信息，进而更加符合真实状态的后验概率分布.为验证算法的有效性，以地空导弹中MMW/IR传感器复合制导为背景进行仿真研究与分析，结果表明，该算法克服了粒子滤波法难以得到优化重要性密度函数的缺陷，能有效提高多传感器系统状态估计的精度.