三维空间姿态信息是反映物体实时所处状态的重要参数信息,姿态测量技术也被广泛应用于国防军事、工业控制以及民用消费电子中。基于MEMS传感器的姿态测量技术因其成本低、功耗低、重量轻的特点,非常适合应用于民用消费类电子的姿态测量。但是由于消费级MEMS传感器精度较低,传统的姿态解算算法所解算的姿态角度容易发生偏移,造成姿态角度解算误差不断增大。本文在欧拉角度法、方向余弦法以及四元数法等姿态解算算法进行对比分析的基础上,针对姿态角度解算存在角度稳态漂移、快速运动时存在延时及误差大以及自适应调节能力弱的问题展开研究。本文的主要工作如下:（1）针对姿态角度解算存在角度稳态漂移的问题,提出了基于ARMA模型-卡尔曼滤波的四阶龙格库塔姿态修正算法。算法首先建立了MEMS陀螺仪漂移数据的ARMA模型,在此基础上建立基于ARMA模型的卡尔曼滤波算法对MEMS陀螺仪ωx、ωy、ωz数据进行修正;针对四元数法直接进行数字积分解算姿态导致的误差累积问题,引入了基于四元数的四阶龙格库塔算法,对于修正后的数据进行姿态解算。通过Matlab实现了本文提出的修正算法与未经修正算法处理解算的姿态角度稳态漂移信息进行对比分析,表明本文提出的算法抑制了姿态角度稳态漂移。（2）针对快速运动时姿态解算存在延时及误差大的问题,单陀螺仪解算的姿态角度精度无法满足要求,本文对多传感器数据融合姿态解算算法进行改进和对比研究。根据陀螺仪、加速度计和磁强计等三种传感器频域互补特性,通过建立非线性观测器修正陀螺仪漂移误差,并结合了基于四元数的四阶龙格库塔算法进行姿态解算,建立了基于四元数的非线性互补滤波姿态融合算法（Quaternion Nonlinear Complementary Filter,QNCF）。并实现了一种基于四元数的梯度下降姿态融合算法（Quaternion Gradient Descent,QGD）。利用数据集对QNCF以及QGD算法进行实验,并与基于单MEMS传感器的姿态算法解算效果进行对比分析,实验表明QNCF算法解算姿态延时较短,解算姿态角度精度较高。（3）针对QNCF算法中非线性观测器的调节系数为固定值无法实时调节,自适应调节能力较弱的问题。本文利用Elman神经网络（Neural Networks,NN）具有存储内部状态使其具备映射的动态特征功能的特点,提出了基于Elman NN补偿四元数非线性互补滤波姿态修正算法（Elman NN-QNCF）。设计了Elman NN-QCNF姿态解算模型以及Elman NN误差补偿模型。针对NN训练存在收敛速度慢及容易陷入局部极小点的问题,引入了Levenberg-Marquardt（L-M）NN学习算法。针对因NN预测存在一定误差噪声,引入了一维中值滤波算法对NN补偿后的姿态信息进行去噪处理。实验将Elman NN-QNCF算法与QNCF、QGD算法解算的姿态信息进行对比实验分析,实验表明了Elman NN-QNCF算法姿态解算误差小,姿态解算的延时短,自适应调节能力强。实验结果表明,本文提出的算法对于解决姿态解算中存在的角度稳态漂移误差、快速运动时姿态解算延时长及角度解算精度低、自适应调节能力弱等问题具有较理想的效果,对于提高低成本MEMS传感器姿态测量精度具有一定的实用价值。