近年来，多旋翼无人机由于其易于控制，便捷灵活等优点得到了巨大的发展和推广。导航系统作为整个无人机中最重要的组成部分之一，其作用是帮助无人机感知周围环境信息，为控制系统提供准确的速度位置反馈。但由于受到无人机自身成本和空间的限制，消费级多旋翼无人机上所搭载的传感器精度往往偏低，测量噪声较大，严重影响了利用单一传感器进行导航的精度，因此如何将多个传感器的测量值进行有机的融合，滤除传感器噪声，提取出可靠的导航信息，具有极高的研究价值和实际意义。
　　本文以四旋翼无人机为研究平台，展开了对多传感器组合导航信息融合技术的研究。首先介绍了无人机导航系统的基本理论和框架，然后分析了惯性测量单元（IMU）传感器的测姿原理和测量误差，同时在此基础上进一步分析研究了基于IMU的姿态解算算法，并进行了相关实验和对实验结果的分析。
　　针对IMU中单一传感器测量噪声较大，存在累积误差等问题，本文通过利用互补滤波器对IMU数据进行融合，从而达到改善姿态解算精度的目的。该算法的主要思想是利用加速度计和磁力计解算的姿态数据不断地反馈校正陀螺仪数据，修正陀螺仪累积误差，进而提高姿态解算的精度。同时通过实验分析发现传统的互补滤波融合算法在无人机做大幅度机动运动时存在跟踪效果不好的问题，因此本文利用了一种循环神经网络对传统的互补滤波器进行改进。实验结果表明，改进后的互补滤波姿态融合算法的解算精度得到了有效的提高。
　　除了姿态信息外，无人机的速度和位置信息也是导航过程中必不可少的重要数据。多旋翼无人机上常用的导航系统包括惯性导航系统和GPS，但惯性导航系统解算结果存在积分累积误差，GPS存在信号易受干扰等问题。因此本文根据两者的测量和噪声特性，利用Kalman滤波器融合惯性导航系统和GPS的测量值，获取最优的速度和位置估计，从而实现多传感器组合导航。最后利用仿真实验对算法进行了验证。
　　考虑到无人机飞入城市高楼群或隧道中出现GPS信号中断，导致扩展Kalman滤波器不能工作的问题，本文提出了一种基于神经网络辅助的组合导航方法，抑制GPS信号中断情况下的惯导误差漂移。在GPS信号正常时，利用IMU的输出值和惯性导航系统解算的速度位置误差训练神经网络，建立相应的非线性系统模型；当 GPS 信号出现中断情况时，利用之前训练好的神经网络模型预测惯性导航系统误差，并加以补偿校正。