微惯性测量单元MIMU(Micro Inertial Measurement Unit)的主要组成部分是微陀螺仪和微加速度计,它被广泛应用在惯性导航技术领域并成为近些年的研发热点,其精度会直接对所在的系统产生影响。与惯用的光纤组件和激光组件相比,它具有体积更小、价格更低、测量范围更大、使用更方便的优点,是导航系统的核心部分。但是这种微惯性器件对温度的敏感度很高,外界温度的微小变化都会对器件的灵敏度产生影响,进而产生一定的随机漂移,所以提出适当的误差模型和温度补偿方法,可以提高整个系统的精度。首先通过了解微陀螺仪和微加速度计的工作原理,分析导致微惯性测量单元精度低的误差源和参数特性,把误差源主要划分为三类,分别为确定性误差,与温度变化方式有关的温度误差,和变化随机、没有规律的随机误差,并分析这三类误差的产生原因。接着针对选取的MIMU,建立与微陀螺仪和微加速度计匹配的误差数学模型,采用六个不同位置的正、反旋转方式,在转台上外输入角速度对陀螺仪和加速度计进行标定,计算出主要的确定性误差参数。接着采集MIMU的静态漂移数据,用Allan方差方法列出和分析主要的随机误差构成,计算出五种误差系数。用小波阈值降噪方式处理这部分随机漂移,通过选用不同的小波基比较降噪效果,并提出一种新的改进小波阈值降噪函数,从理论证明和实际降噪效果说明其实用性。将ARMA模型的线性思想和BP神经网络的非线性思想结合,提出用ARMA-BPNN组合模型拟合随机漂移误差,模型的精准度更高。最后针对微惯性测量单元对温度的敏感性,分析静态条件下一定温度变化范围内的温漂特性,判断温度值、温度变化率、MIMU的温度输出值与温控系统显示温度的差值这三种温度特性与温度漂移的相关程度,继而选出需要重点分析的参数。使用多元非线性理论拟合温度和温漂关系,建立温度变化率与温漂解算公式。提出了用PSO粒子群算法优化BPNN处理温度漂移,通过网络训练实现更优的温度补偿。