车辆追踪是无人驾驶、智能交通和物联网等领域的核心研究内容,具有重要的理论意义和应用前景。现有方法主要利用全球导航卫星系统和路侧基础设施实现车辆追踪。其中,基于路侧基础设施的车辆追踪方法首先通过获取车辆与路侧单元之间接收信号强度、传输时延和波达方向等距离参数,然后采用卡尔曼滤波器实现车辆位置的预测和追踪。目前,国内外学者根据路侧基础设施等提出了许多有效的车辆追踪算法。值得注意的是,这些算法通常依赖于车辆和基础设施之间存在视线链路等假设。但在城市中心区、隧道和地下停车场等复杂环境下,车辆和基础设施之间可能不存在视线链路,并且车辆的初始位置不能通过卫星或路侧单元获取,这些因素将导致车辆追踪性能下降甚至算法失效。另外,在多车辆追踪系统中,通常利用主车对从车进行引导追踪,但主车选取不当将进一步降低算法的鲁棒性。因此,如何克服车辆追踪中视线链路缺失、初位置获取和主从车辆选择等问题是复杂环境下车辆追踪研究的重点和难点。作为一项新兴的技术,智能反射表面因其能够智能定制无线环境而引起学术界和工业界的广泛关注。智能反射表面可以通过软件定义的方式联合控制大量反射单元,实现入射信号的定向反射。具体来说,通过优化智能反射表面的相位参数,可建立路侧单元到车辆之间的虚拟视线链路,并实现车辆的初始定位和追踪。在主从车辆系统中,智能反射表面也可以辅助追踪系统选择最合适的主车来引导从车,进而提升追踪算法的鲁棒性和追踪精度。综上所述,研究基于智能反射表面辅助的车辆追踪算法,对实现车辆初始定位,解决视线链路缺失条件下的车辆追踪和主车选择问题是非常有意义的。因此本文针对车辆初始位置未知且缺乏视线链路等复杂情况,开展了车辆追踪方法和主从车辆选择等研究工作。具体研究工作如下:（1）本文对车辆追踪和智能反射表面等相关研究进行了归纳总结,并介绍了卡尔曼滤波理论和模拟退火算法等数学理论,为后续的复杂环境下基于智能反射表面的车辆追踪方法研究的开展打下基础。（2）针对复杂环境下车辆初始位置未知且视线链路缺失问题,本文提出了基于智能反射表面的追踪算法。该算法首先将IRS（intelligent reflecting surface）采样技术和模拟退火算法相结合,提出了改进模拟退火算法以实现车辆的初始定位。随后根据车辆与路侧单元的链路状态,将基于智能反射表面的观测数据与无迹卡尔曼滤波器相结合,分别提出了LOS-UKF和VLOS-UKF两种车辆追踪算法。最后,为了提高追踪算法的鲁棒性,提出了一种时延向量比较策略以修正车辆位置估计。仿真实验表明,所提出的算法能够实现高精度的车辆定位与追踪,并能在车辆预测轨迹发生偏差时实现有效的位置修正。（3）针对复杂环境下多车辆追踪问题,本文提出了基于智能反射表面的主从车辆追踪算法。该算法首先构建了主车选择策略以选择合适的主车,并对从车进行引导追踪。其次,在智能反射表面的辅助下,构造时延观测向量,使主车获得可靠的位置信息。最后将观测向量与本地惯性导航系统相结合,利用无迹卡尔曼滤波器实现主从车辆追踪。仿真实验表明,所提出算法能够选择出最合适的主车,并引导所有从车实现高精度的追踪。实验结果证明了本算法能够实现可靠的主从车辆追踪。