惯性传感器是惯性导航系统的重要组成部分，其精度对惯性导航系统的性能有着决定性的作用。传统的惯性传感器信号处理一般是基于奈奎斯特采样定律对信号进行处理，即为了得到高精度的惯性传感器输出信号，采样速率必须达到信号带宽的两倍以上，随着带宽的不断增大和大规模采样数据的增加，使得无论是信号的获取还是后续参数估计所需的存储空间和运算时间都陷入困境。压缩感知理论的提出给惯性传感器信号处理提供了一种新的思路和方法。　　首先，论文深入研究了压缩感知的基本理论，针对惯性传感器信号的处理特点，提出一种基于稀疏表示的惯性传感器信号实时滤波处理系统模型和方法。为减少数据计算量，在满足信号处理的实时性的要求下，尽量降低字典的大小，仿真实验表明，在满足一定精度的条件下，字典的大小最小为3×10，并能有效地消除噪声。　　其次，针对信号滤波耗时较长的问题，根据噪声信号的存在破坏了原信号在变换域的稀疏性的特点，将压缩感知理论运用到惯性传感器信号重构中，采用一种快速基追踪去噪方法对信号进行重构，该方法的突出特点是通过数值最优化理论从少量的采样数据中精确的重构原始信号，不仅在重构的过程中实现滤波，而且可以减少数据采样量，达到提高信号的采集效率、缩短信号滤波重构时间的目的。　　最后，将分布式压缩感知理论应用到惯性传感器信号融合处理中，提出一种基于分布式压缩感知的惯性传感器信号融合方法，该方法综合考虑信号内和信号间的关系，将信号的测量值作为融合对象，根据各个传感器观测到的测量值以自适应的方式寻求相应的最优权重系数进行融合，使融合后的信号有更小的方差，提高了惯性传感器系统的稳定性。