为了提高车载捷联惯导和全球定位系统SINS/GPS组合导航的定位精度和抗干扰能力，本文研究了SINS的初始对准算法，以此为基础进行了导航解算，并基于解算结果研究了SINS/GPS组合导航系统的信息融合算法。对于SINS的静基座对准问题，分别提出了基于鲁棒学习的神经网络方法和中心差分卡尔曼滤波方法。在SINS初始对准问题中，如果系统阶次较高，通常的扩展卡尔曼滤波(EKF)方法会失去实时性。本文设计了一种基于鲁棒学习的径向基网络，由于降低了算法复杂度，提高了收敛及计算速度，满足了算法实时性要求。实验表明在学习样本可靠的情况下其精度完全可以满足对准要求。针对SINS静基座对准问题的非线性模型，提出将中心差分卡尔曼滤波(CDKF)方法用于初始对准。传统的EKF方法存在需要解析Jacobian矩阵以及将非线性系统线性化的模型误差等缺点，而文中采用的CDKF方法则可以直接利用非线性模型，减小了计算模型误差。仿真结果表明，此算法可以提高对准精度和鲁棒性。 本文在SINS初始对准的基础之上进行了导航解算。首先分别建立了SINS在当地水平坐标系和游移方位坐标系下的力学编排方程，然后利用IMU输出数据分别在两个坐标系下进行编排，为SINS/GPS组合导航算法研究提供了实验数据。本文提出了一种SINS/GPS组合导航的信息融合算法。其主要思想是以观测数据中的野值存在与否为切换条件，当存在野值时采用改进的增益矩阵滤波处理方法，不存在野值时则采用模糊自适应卡尔曼滤波方法。最后仿真实验表明，本文采用的这种方法在集中卡尔曼滤波和联邦滤波中的滤波精度和收敛速度都优于常规卡尔曼滤波。