卡尔曼滤波（Kalman Filter, KF）作为一种线性最小方差无偏估计，广泛应用于组合导航领域，具有算法简单、易于工程实现的特点，但是算法精度依赖准确的噪声统计特性且不适用于非线性系统^[3]。扩展卡尔曼滤波（Extended Kalman Filter, EKF）由KF发展而来，是一种常见的非线性滤波器，EKF 通过对非线性函数进行泰勒级数展开，然后进行线性化截断，忽略其他高次项，进而转变为线性函数，被广泛应用于组合导航系统中。

当载体处于复杂环境中时，传感器量测噪声的统计特性难以准确获取且具有时变性^[4]。此时若使用单一固定的滤波器模型对系统进行估计，则在长时间运行过程中必定导致滤波精度的下降^[5]。交互式多模型（Interacting Multiple Models, IMM）是通过模型转换概率实现系统模式的马尔可夫切换过程，相比于广义伪贝叶斯算法，兼具了计算复杂度低和估计精度高的优点，被认为是一种有效的混合估计方案^[6]。交互式多模型滤波算法对于处理模型参数不确定情况下的估计问题有着其他方法所不具备的效果，但估计精度比较依赖于模型集^[7]。，若设计模型集不合理反而会导致模型竞争从而影响滤波精度^[8]。