针对现有神经网络模型在惯性导航中忽略惯性测量单元（IMU）序列时间特征、相互依赖性与周期性，导致定位精度下降的问题，提出一种深度融合Xception与Transformer结构的神经网络IMU定位模型。该模型通过构建适合学习速度向量的初步提取层、深层次提取层和速度回归层，以捕获IMU序列的复杂时空特性。在四种公开IMU数据集（RONIN、RIDI、IDOL和IMUNET）上验证模型的有效性。实验结果表明，与当前五种主流模型相比，所提模型在大多数已知与未知测试集上的定位性能都有所提升。其中，在规模最大的RONIN数据集上，与最差的模型相比绝对轨迹误差分别减少了17.16%和13.15%；在规模最小的IDOL数据集上，分别减少了28.29%和22.96%。这些结果表明模型能够提供更准确和鲁棒的速度预测，从而显著提升IMU定位精度。

无人机景象匹配定位时，由于无人机图像和卫星基准图像之间域、观察角度等因素不同，容易出现误匹配甚至检索失败。针对上述问题，提出了一种基于显著位置特征的异源图像快速检索方法。首先，针对无人机图像与基准图像因获取场景和时间差异导致匹配失败的问题，设计了显著位置特征提取模块，在降低计算复杂度的同时能够提取更有效的上下文信息。其次，引入标签平滑损失函数，提升了模型的泛化能力。最后，提出分块微调策略以缓解大模型视觉Transformer在有限训练数据条件下的过拟合问题。实验结果表明，所提方法在DenseUAV数据集上R@1和R@5分别达到了86.01%和96.52%，mAP达到了76.04%，较现有主流方法ViT-S分别提升5.83%、3.53%和9.49%，单张图像检索时间为9.55 ms，表明所提方法在无人机异源景象匹配中的有效性。

为提高非视距场景下超宽带（UWB）定位精度，提出了基于可信度的非视距识别与定位算法。首先，利用UWB诊断寄存器提取实时信道冲击响应特征及测距值，通过一维卷积神经网络进行非视距识别，估计测距为视距或非视距的概率。然后，利用该概率构建可信度，基于可信度进行定位基站筛选及定位算法改进，设计基于可信度的加权最小二乘-泰勒（WLS-Taylor）融合滤波算法。在多种场景下采集静态和动态测试数据进行性能验证，实验结果表明：所提算法能够有效抑制非视距对定位结果的影响，非视距环境下定位误差均值小于10 cm；在非视距相对严重环境下，所提算法的定位误差较基于距离加权的WLS算法降低了76.94 cm。

针对传统卡尔曼滤波器在空间非合作航天器相对导航中因非线性非高斯测量信号适应性差导致的性能下降甚至发散问题，提出一种基于α-散度最小化的非线性滤波方法（αKF）。该方法在贝叶斯估计框架下，通过最小化α-散度优化后验概率分布估计，实现对观测航天器与被观测航天器相对位置与速度的高精度动态解算。仿真实验验证了所提方法在高斯模型与二阶高斯混合模型（GMM）下的鲁棒性，结果表明：在二阶GMM非高斯噪声条件下，αKF算法的相对位置估计精度为1.813 m，相对速度精度为0.022 m/s；参数敏感性分析确定了散度系数α的最优取值范围为0.05~0.1，为复杂噪声场景下的滤波器参数配置提供参考。

针对直接定义在四元数空间的卡尔曼滤波算法在非高斯噪声下精度退化的问题，利用混合相关熵处理非高斯数据的优势，定义递归结构的四元数混合相关熵代价函数，通过固定点迭代求解后验估计，建立最大混合熵四元数卡尔曼滤波算法。在此基础上，进一步引入变分贝叶斯方法自适应更新主导量测噪声方差矩阵，形成自适应最大混合熵四元数卡尔曼滤波算法，提升了复杂场景下的状态估计精度。复杂噪声环境下的目标跟踪实验表明，所提算法位置估计均方根误差较最大相关熵卡尔曼滤波降低约53.2%；复杂非高斯噪声环境下组合导航实验表明，其姿态角、速度及位置误差较最大相关熵四元数卡尔曼滤波分别降低70.6%、59.1%和73.1%，具有更好的估计精度和自适应能力。

针对动态场景中移动物体引发的机器人位姿估计偏差及地图构建不完善问题，提出一种动态场景优化ORB-SLAM3算法。首先通过改进的YOLOv5s算法检测动态物体并初步剔除关联特征点，随后联合LK光流跟踪与基于基本矩阵的极线几何约束分析，进一步滤除漏检的动态特征点，从而提升环境感知与位姿估计精度。同时，通过滤除动态信息的关键帧生成对应的点云信息，实现三维稠密静态地图构建。室内动态场景下的测试结果表明：相较于传统ORB-SLAM3，所提算法的绝对轨迹误差和相对位姿误差在办公室环境下分别减小55.2%和93.7%，走廊场景中分别减小24.3%和40.2%，验证了其在动态场景中的鲁棒性优势。

在地磁导航定位中应用人工智能时，传统神经网络面临训练效率低和易陷入局部最优等挑战。针对这些问题，提出了一种基于改进遗传算法优化极限学习机神经网络（GGA-ELM）的飞行器地磁定位方法。通过在传统遗传算法中引入精英反向学习策略，优化后的ELM网络提高了训练效率，有效降低了陷入局部最优的风险。实验结果表明：与CNN、BiLSTM和LSTM模型相比，GGA-ELM模型的训练时间显著减小，此外，GGA-ELM模型的定位误差约为4 m，定位时间为0.003 s。与ELM、GA-ELM、CNN、BiLSTM、RBF及LSTM模型相比，GGA-ELM模型方法的定位精度分别提高了86.6%、115.9%、417.8%、187.6%、216.5%、107.5%；定位时间最多减小了0.947 s。所提方法在航磁数据上的定位稳定性更好，准确性更高。

针对无人车辆室内外无缝定位过程中难以准确判定车辆所处区域的问题，提出了一种无人车辆室内外无缝定位的区域识别方法。首先，设计基于粒子群优化的支持向量机（PSO-SVM）与隐马尔可夫模型（HMM）的联合预测模型，并利用传感器获取环境特征数据作为模型输入，得到区域识别结果；然后，引入三种环境模型描述车辆所处环境，根据区域识别结果选择相应的量测信息；最后，利用区域切换概率更新交互式多模型算法（IMM）中三个环境子模型的切换概率，从而提高无人车辆的室内外无缝定位环境区域识别的准确性和定位精度。实车实验结果表明，联合识别方法在区域识别中的准确性为98.09%，相较于单独使用PSO-SVM或HMM分别提升了2.13%和9.53%。进一步实验表明，与传统的联邦卡尔曼滤波算法（FKF）以及IMM算法相比，采用所提区域识别方法的平均定位精度分别提高了43.75%和22.30%。

针对卫星拒止条件下陆用惯性/里程计航位推算系统（DR）长时间、大范围行驶自主定位精度下降问题，提出一种基于全局几何特征滑动优化的惯性/地图匹配误差辨识方法。首先，设计了一种基于轨迹几何特征的地图匹配算法，实现DR轨迹与电子地图道路数据的精准匹配。其次，在得到精准的地图匹配结果后，采用基于全局几何特征滑动优化的DR误差辨识补偿方法，对导航系统的位置误差和里程计刻度系数误差进行辨识与补偿。车载实验结果表明，所提方法能够实现车辆大范围行驶条件下的高精度自主定位，多次大范围长距离（行驶里程均超过160 km）车载实验全程水平定位误差最大值为12.76 m，与传统的基于平移矢量补偿和基于相邻特征点辨识补偿方法相比，最大定位误差分别平均降低了53.1%和31.0%，均方根误差分别平均降低了50.0%和39.0%，验证了所提方法的有效性。

针对一种MEMS环形陀螺在高过载下出现冲击失效现象，对其进行了结构动力学响应建模与失效机理分析。基于准静态、振动和弹性波理论建立了陀螺结构对环境冲击的动力学响应模型。在所建立的MEMS环形陀螺动力学冲击响应模型基础上，分析了MEMS环形陀螺的吸合和断裂失效机理，推导得到发生吸合失效发生时的平衡位移和断裂失效发生时的敏感位置，并获得了失效发生时的冲击表达式。通过高过载实验获得了MEMS环形陀螺临界失效时所加载的冲击幅值和脉宽。利用拉曼光谱仪对高过载作用后的MEMS环形陀螺的表面应力进行测试，应力敏感位置与理论推导一致。

为了抑制宽谱光源谐振式光纤陀螺（RFOG）的相对强度噪声（RIN），提高宽谱光源RFOG精度，对光纤谐振腔敏感单元结构进行分析和优化。首先，根据多圈干涉叠加理论建立了仿真模型，探究不同敏感单元结构下宽谱RFOG的传输特性。其次，基于RFOG光场理论模型，分析了耦合器位置对陀螺的精度以及RIN大小的影响，实验验证了光纤环位于耦合器交叉端的非对称谐振腔具有更好的极限精度，并且能够抑制相对强度噪声。通过优化敏感单元结构，在使用直径10 cm，长度220 m的光纤环情况下，实现了的角度随机游走以及0.002（°）/h的零偏不稳定性；并且使用直径5 cm，长度300 m的光纤环搭建了单轴陀螺样机，样机体积为170 cm³，最终实现了的随机游走以及0.02（°）/h的零偏不稳定性。

为提升四旋翼无人机在多源干扰情况下的轨迹跟踪精度和快速性，提出了一种复合全局非奇异快速终端滑模控制方法。首先，充分考虑四旋翼无人机位置和姿态回路特性，将其划分为4个独立通道使其转为级联通道。其次，采用扩张状态观测器对集总干扰（各通道中的耦合项和外部干扰）和状态信息进行估计，基于估计的信息设计复合全局非奇异快速终端滑模控制，并采用饱和函数代替符号函数以保证控制量的连续性。最后，仿真结果表明，所提方法相比较于传统的PID、自抗扰控制及非奇异快速终端滑模控制方案分别提高了76.3%、62.7%及74.4%，验证了所提控制方案具有更高的轨迹跟踪精度和抗干扰性。