Diese Arbeit befasst sich damit, die Forschungen zur Leistungsverbesserung eines konventionellen, nichtdifferenzialen GPS/MEMS IMU eng gekoppeltes Navigationssystems durch Filter-Design darzustellen, einschließlich nicht-linearer Filtermethoden, der stochastischen Fehlermodellierung für die InertialSensoren und der Umsetzung der Trägerphase. Zunächst wird die Leistungsauswertung einer jüngst entwickelten nicht-linearen Filtermethode, dem Cubature Kalman-Filter (CKF), gemäß der Taylorentwicklung analysiert. Die theoretische Analyse deutet darauf hin, dass die nicht-lineare Filtermethode CKF ihre Vorteile nur dann ausspielt, wenn sie in einem nicht-linearen System umgesetzt wird. Entsprechend wird ein nicht-linearer Ausdruck für die Ausrichtung mit Ausrichtungskosinus-Matrix (Direction Cosine Matrix, DCM) in ein eng verknüpftes Navigationssystem eingebaut, um den Ausrichtungsfehler zwischen dem wahren und geschätzten Navigationsrahmen darzustellen. Die Ergebnisse aus Simulation und Experiment zeigen, dass der CKF eine bessere Leistung als der Erweiterter Kalman-Filter (EKF) bei nicht beobachtbarem, großem Ausrichtungsfehler bietet und auch in Fällen, bei denen das GPS ausfällt und sich Ausrichtungsfehler schnell ansammeln können, so dass der Ausdruck des Psi-Winkels ungültig wird, wodurch ein gewisses Maß an Nicht-Linearität zum Ausdruck kommt. Zum Zweiten präsentiert diese Arbeit die Shaping-Filter-Theorie, um die stochastischen Fehler in den Inertial-Sensoren eines Navigations-Kalman-Filters zu modellieren. Die Koeffizienten des Rauschens der Inertial-Sensoren werden aufgrund des Allan-Varianzgraphen bestimmt. Die Transferfunktion des Shaping-Filters wird aufgrund der Spektralleistungsdichte (Power Spectral Density, PSD) des Rauschens bei sowohl stationären als auch nicht-stationären Prozessen abgeleitet. Das gesamte farbige Rauschen wird zusammen in dem Navigations-Kalman-Filter modelliert, gemäß der Äquivalenztheorie. Die Freilaufleistung zeigt, dass die Modellierungsmethode auf Grundlage eines Shaping-Filters eine ähnliche und sogar kleinere Maximaldrift aufweist, als die konventionelle Modellierungsmethode mit Markov-Ketten erster Ordnung während GPS-Ausfällen; damit deutet sie ihre Wirksamkeit an. Drittens, gemäß den Methoden, wie mit Mehrdeutigkeiten in der Trägerphase umzugehen ist, werden eng verknüpfte Navigationssysteme mit Time Differenced Carrier Phase (TDCP) und Total Carrier Phase (TCP) zur Messung der Kalman-Filter abgeleitet. Die Ergebnisse aus Simulation und Experiment zeigen, dass TDCP die Schätzgenauigkeit für die Geschwindigkeit ebenso wie glatte Trajektorien verbessern kann, aber die Positionsgenauigkeit kann nur das Niveau der Einzelpunktbeschreibung (Single Point Positioning, SPP) erreichen, sofern das TDCP mit der Pseudo-Entfernung verstärkt wird, während die Positionsgenauigkeit der TCP-basierten Methode unter einem Meter liegt. Um die Positionsgenauigkeit der TDCP-basierten Methode weiter zu verbessern, wird ein Partikel-Filter (PF) mit modifizierter TDCPBeobachtung innerhalb eines TDCP/IMU eng verknüpften Navigationssystems umgesetzt. Die modifizierte TDCP wird als der Unterschied in der Trägerphase zwischen den Referenz- und den BeobachtungsEpochen definiert. Die absolute Positionsgenauigkeit wird durch die Positionsgenauigkeit der Referenz bestimmt. Stammt die Referenzposition aus DGPS, so kann die absolute Positionsgenauigkeit bis unter einem Meter liegen. Da die Umsetzung von TCP in dem Navigations-Kalmanfilter dem Zustandsvektor zusätzliche Zustände zufügt, wird bei TCP/IMU eng verknüpften Navigationssystemen eine hybride CKF+EKF-Filtermethode vorgeschlagen, bei welcher der CKF nicht-lineare Zustände und der EKF lineare Zustände schätzt, um die Vorteile des CKFs zu bewahren, aber gleichzeitig die benötigte Rechenleistung zu verringern. Die Navigationsergebnisse weisen auf die Wirksamkeit der Methode hin. Nach Anwendung der Verbesserungsmaßnahmen kann die Leistung eines nicht-differenzialen GPS/MEMS IMU eng verknüpften Navigationssystems stark gesteigert werden.