近些年来,我国的社会经济得到了快速发展,机动车保有量持续保持快速增长的态势,人民群众的交通需求呈现出多层次、高品质、个性化的特点。高速公路作为城市与城市之间物流和人流的重要通道,在交通量快速增长的背景下,其服务水平也逐步恶化。在不对高速公里进行扩建的前提下,提高高速公路的数据感知水平,实现对高速公路交通的主动管理逐渐成为了缓解高速公路交通问题的重要手段。此外,随着新一代信息技术的发展,传统交通系统正逐步往智能化和网联化方向发展。智能网联交通被认为是智能交通系统发展的终极形式。目前众多互联网公司和传统车企为了能抢占市场先机都投入了巨资进行智能网联汽车的研发。在未来很长一段时间内,将会出现智能网联车辆与普通车辆混行的情况。本文立足于智能网联混合交通流环境,对高速公路中普通车辆位置估计方法进行研究。首先,根据国内外对智能网联交通的已有研究,对智能网联交通系统的发展与构成进行了阐述。分析了智能网联交通系统的三维发展体系,总结了智能网联交通系统的主要构成。此外,对智能网联汽车的主要构成模块进行了详细的分析,重点研究了智能网联汽车的数据感知和传输流程。进而根据智能网联环境和智能网联汽车的特点,提出了本文的研究情景和前提假设。其次,对本文研究中所使用的数据源进行了分析处理。本文中选取NGSIM(the Next Generation Simulation)数据集作为研究数据。根据NGSIM数据特点,提出了轨迹数据预处理方法。为方便建模,根据数据字段信息,提取跟驰车对数据。然后,基于OVM(Optimal Velocity Model)、FVD(Full Velocity Difference Model)和IDM(Intelligent Driver Model)三种跟驰模型分别提出了前车位置估计方法和跟驰车位置估计方法。为实现基于跟驰模型的车辆位置估计,设计基于BP(Back Propagation)神经网络的前车速度估计模型和基于人工蜂群的跟驰模型参数标定方法。此外,从数据驱动角度出发,构建基于深度学习的车辆位置估计方法。运用LSTM-RNN和GRU-RNN分别建立前车位置和跟驰车位置估计模型。最后,利用NGSIM数据集提取的跟驰数据,对基于OVM、FVD和IDM三种跟驰模型的车辆位置估计方法和基于LSTM-RNN和GRU-RNN的车辆位置估计方法进行实例验证。结果显示基于LSTM-RNN和GRU-RNN的车辆位置估计方法相比于基于跟驰模型的方法具有更高的准确率。