为了满足新一代智能交通系统对城市环境中车辆定位的要求,发展多传感器组合定位成为一种重要趋势。本论文基于多传感器融合的思想,较为系统、深入地研究了车辆智能融合定位策略,从信息获取和系统融合两个方面提升城市环境下车辆定位的准确性和可靠性。首先研究了车辆定位所需关键运动状态参数准确估计方法,并改进了降维MEMS-INS的导航参数解算方法,从而获取准确有效的多源信息,为融合定位提供传感信息源基础;进而深入研究了高效鲁棒融合算法,并建立了复合式累积误差智能定位补偿模型,保障多源信息融合的可靠性,提升城市环境下车辆定位的整体性能;最后,对所提出的定位策略进行了试验验证,试验结果表明本论文提出的智能融合定位策略在城市环境中可以取得良好的定位效果。本论文的主要研究成果和创新包括:1)针对车辆定位所需关键运动状态参数估计受低成本车载传感器自身精度影响而准确性较低的问题,提出了智能化估计和多参数联合估计方法。首先,突破传统车辆方位角估计方法的思路,基于深度学习算法,建立方位角相关信息智能感知模型,挖掘车辆前方图像中的方位角相关信息,同时结合增强型数字地图输出的道路方向信息,实现车辆方位角智能化估计;接着,利用不同参数之间的关联性,结合运动学和动力学模型,并建立基于无迹卡尔曼滤波的观测器,实现车辆纵向速度、横向速度和横摆角速度联合估计。上述参数估计方法较好地解决了城市环境中车辆方位角估计的难题,并实现了车辆纵向速度、横向速度和横摆角速度的同步估计。综合国内外研究现状,采用基于深度学习和增强型数字地图进行车辆方位角估计的方法鲜有报道。仿真及试验结果表明,上述两种参数估计方法都具有较高的估计精度。2)针对传统降维MEMS-INS导航参数解算不全、精度不高的问题,研究了一种改进的导航参数解算方法。首先,利用运动学模型估计车辆俯仰角和侧倾角,并消除MEMS传感器噪声的影响,用于替代降维MEMS-INS中所缺少的两个水平陀螺仪的测量值,并使用由多参数联合估计所获得的横摆角速度信息进行方位角解算,从而提高导航参数中姿态角的解算精度;进而,利用估计的俯仰角和侧倾角合理修正车辆运行过程中的垂向加速度信息,并结合两个水平加速度计的测量值获取车辆速度及位置信息,从而实现全维导航参数的准确解算。对于本论文中的试验工况以及所使用的MEMS惯性传感器设备,降维MEMS-INS解算的姿态角及水平方向上的速度信息相比于全维MEMS-INS在精度方面有所提高,定位结果中在水平方向上的累积误差也优于全维MEMS-INS。3)针对现有融合算法对MEMS惯性传感器噪声的鲁棒性不足的问题,提出了一种基于交互式多模型的序贯两级卡尔曼滤波(IMM-STSKF)算法。该算法中建立了对应不同噪声水平的MEMS惯性传感器误差变量模型,并基于IMM算法进行交互融合,实现滤波器参数根据实际噪声状况的自适应调节,从而减小MEMS惯性传感器噪声对融合系统稳定性的影响。在此基础上,结合基于序贯量测更新的无偏差滤波器,形成两级滤波结构,在保障融合算法鲁棒性的同时,使计算量保持在一个较低的水平。试验结果表明IMMSTSKF算法对MEMS惯性传感器噪声具有较强的适应能力,并可以在一定程度上改善融合定位结果的精度。4)针对现有定位误差预测补偿模型难以准确描述系统累积误差的难题,提出了一种复合式累积误差智能定位补偿模型。首先,根据误差特性将定位累积误差解耦为基础累积误差和噪声特性不确定变化相关误差;进而,针对基础累积误差采用时间序列分析方法进行在线建模,针对噪声特性不确定变化相关误差采用神经网络方法进行离线建模,并结合这两个模型形成复合式累积误差智能定位补偿模型,从而较为准确地描述卫星定位失效时定位系统的累积误差。试验结果表明,所建立的复合式累积误差智能定位补偿模型在误差预测方面相比于传统建模方法具有更高的准确性,可以进一步提高定位系统在卫星定位失效时的定位性能。