在车联网场景中,智能车辆需要拥有环境探测、路劲规划、自动驾驶等功能,其中智能车辆的无缝高精度导航定位是车联网上层服务的基础与关键。常用的两种车辆定位技术主要是全球定位系统(Global Positioning System,GPS)和捷联惯性导航系统。GPS在开阔天空下的定位精度能达到5-10米,但是当车辆位于GPS卫星被遮蔽的地方时,车辆定位精度急剧下降。车辆携带的捷联惯性导航系统可以依靠惯性测量单元(Inertial Measurement Unit,IMU)提供短时的定位精度,但是由于IMU存在误差累积,无法提供长时间高精度定位。针对这些问题,本文提出了车辆间接协作定位(Implicit Cooperative Positioning,ICP)的方法,打破了传统车辆以单车为自治实体的方法,通过车与车之间的雷达测距测角以及位置共享,从而进一步提高定位精度。充分利用无人机高可靠性视距传输、高移动性、增强地网盲点覆盖等优点,将无人机作为一个定位的辅助中继节点,用来提升位于定位盲区车辆的精度,从而实现车联网中车辆定位全覆盖的要求。鉴于自动驾驶场景中,车辆的高移动性、高不确定性,车载雷达量测方程的非线性以及测距噪声的非高斯性,传统的滤波方法计算复杂度呈指数增长,标准置信度传递算法也不再适用,因此本文提出了基于非参数置信度传递的方法,能够有效地克服多传感器融合计算复杂度的问题以及非高斯噪声模拟等。为了避免计算资源的集中,文章还提出了分布式的方法,车车协作的方法。同时,为了探究系统定位精度的下限以及评判该系统定位的有效性,推导了系统克拉美罗下限(Cramer-Rao Lower Bound,CRLB)。另一方面,随着大规模天线阵技术不断成熟,雷达对物体探测的分辨率也在不断提高。这就使得无人驾驶领域中对车辆的跟踪不再仅仅局限于点源目标,而更加倾向于对具有一定空间结构的扩展目标的跟踪。考虑到道路上车辆数目众多,因此本文提出基于随机矩阵的多车辆轮廓跟踪,主要分为两步:第一步需要通过密度聚类算法进行去杂波点处理,然后通过高斯混合聚类算法得到车辆的观测簇,第二步则通过正确的数据关联算法递推得到正确的扩展目标跟踪。本文针对以上两个研究内容进行展开,通过系统建模、定位下限推导以及仿真验证所提算法的可行性,为将来应用于车辆高精度定位打下基础。