随着智能交通系统(Intelligent Transportation System,ITS)的快速发展,短程无线通信(Dedicated Short Range Communication,DSRC)技术广泛应用于城市道路交通中,为出行者出行提供及时的交通信息服务,可有效缓解城市交通拥堵、改善出行效率。作为DSRC技术的重要应用领域之一,无线定位技术可用于实现车辆位置的跟踪,成为城市道路GPS信号遮挡环境中弥补其定位功能不足的有效手段。深度学习理论的发展也为无线定位技术用于车辆轨迹跟踪提供了大数据处理方法支撑,可有效提高车辆的无线定位精度,满足智慧城市环境下局域范围内高定位精度的需求。本文在对经典无线定位理论分析基础上,基于卷积神经网络对城市道路环境下的车辆智能无线定位算法进行研究。首先,在对车辆无线定位方法国内外相关研究现状进行综述基础上,提出了本文的主要研究内容和研究思路。在对基于测距无线定位方法和非测距定位方法介绍基础上,对经典的无线定位方法优缺点进行了对比分析。同时,在对四种经典的深度学习方法进行论述和对比分析基础上,研究了卷积神经网络(Convolutional Neural Networks,CNN)用于无线定位的适用性。然后,在对车辆无线定位实验数据结构和提取方法进行介绍基础上,通过对比矩阵分解和移动平均两种数据预处理方法效果,确定使用移动平均数据预处理方法对缺失数据进行填充。从路侧节点信号覆盖范围、距离-损耗模型适用性两个角度,对充填后完备实验数据的无线定位适用性进行了分析。接着,结合CNN网络处理图像能力较强特性,将车辆实时接收到的多个路侧节点信号强度绘制成雷达图作为输入数据,用于CNN网络的训练和测试。在分析确定卷积核尺寸、池化方式、网络层数、特征图数量、激活函数等特征参数基础上,设计了基于CNN网络的车辆智能无线定位算法,并给出了算法的网络模型。最后,基于实际实验数据对所设计的定位算法进行了实验验证,对比分析了定位算法的定位精度。同时,从车辆行驶状态参数、网络输入形式和网络参数敏感性等角度,研究了所设计定位算法的鲁棒性。验证结果显示,相对于经典的三边定位算法和加权最小二乘定位算法,本文所设计的无线定位算法具有更好的定位精度,平均定位误差为45.31m。对于鲁棒性分析,车辆行驶速度与行驶方向角与定位误差存在弱相关关系,相比而言,行驶方向角与定位误差相关性更强;相比于矩阵作为网络输入形式,雷达图输入形式具有更高的定位精度,定位误差降低64.8%;过大或过小的学习率会影响定位算法的定位精度,在学习率为0.05左右时,可获得较好的定位精度;迭代次数超过80次,定位算法定位精度趋于稳定。