车辆定位模块是智能驾驶汽车系统的基础,也是最重要的组成部分之一。它负责解决车辆感知自身位置和姿态的问题,为决策、规划和控制模块提供重要的信息。目前智能驾驶车辆搭载多种类型传感器捕获环境信息,通过信息融合的方法实现车辆的定位。传感器的种类以及信息融合的方法直接影响着车辆的定位精度。因此,开展基于多传感器信息融合方法的车辆定位技术研究,提高车辆在复杂交通环境下的定位精度,有助于推动智能驾驶车辆大规模商业应用的进程。本文基于多传感器信息融合的思想,以提高城市道路下车辆定位的准确性、减少位置估计的不确定性为目的,对智能驾驶汽车定位方法进行了深入的研究。主要研究内容如下:（1）提出了协作贝叶斯滤波定位方法:介绍了贝叶斯滤波算法的原理,并在此基础上,提出了融合主车原始GPS数据、周围车辆位置数据、车辆距离车道线的横向距离数据的协作贝叶斯滤波器。同时搭建了基于Open Street Map-Pre Scan-Simulink的联合仿真平台,搭建了预定义固定交通流和基于Gipps跟车模型的随机交通流。仿真结果表明,协作贝叶斯滤波能大大降低原始GPS的位置估计误差,该方法可以作为其他定位方法的预处理模块。（2）提出了增强扩展卡尔曼滤波定位方法:介绍了车辆定位中常用的四种运动学模型:恒定速度（Constant Velocity,CV）、恒定加速度（Constant Acceleration,CA）、恒定转弯速率和速度（Constant Turn Rate and Velocity,CTRV）以及恒定转弯速率和加速度（Constant Turn Rate and Acceleration,CTRA）。针对单一运动学模型无法适用于所有的运动场景的问题,提出了基于Takagi-Sugeno（T-S）模糊推理的多运动学模型融合算法,以车辆的加速度和横摆角速度作为输入,经过高斯隶属度函数模糊化、规则乘积模糊推理和平均权值解模糊后,预测车辆的系统状态。结合多运动学模型融合的预测值和协作贝叶斯滤波的量测值,提出了增强扩展卡尔曼滤波器。实验结果表明,增强扩展卡尔曼滤波的定位方法能将原始GPS位置估计误差从5m降低至亚米级别,达到了智能车辆的定位需求。（3）对本研究提出的协作贝叶斯滤波和增强扩展卡尔曼滤波进行深入分析:首先分析了车道线数量、周围车辆数目、求解协作贝叶斯滤波中使用的粒子数量对算法的定位精度和运行时间的影响,然后探讨了协作贝叶斯滤波与其它定位算法的结合后的定位性能,最后提出利用车道数据改进协作贝叶斯滤波器的方法。