随着计算机、信息和电子技术的不断进步,智能驾驶技术得到了业界的广泛重视。智能车辆具有丰富的感知功能,能够与路面其它车辆、地面基础设施以及其它智能节点进行广泛信息的交互。借助车辆信息交互网络实现车辆的自主驾驶,不仅能够降低交通事故的发生概率、提高车辆的安全性,还能够提升道路的通行效率和能源的利用效率。然而,智能驾驶的实现还需要解决很多关键问题。在复杂的城市环境下,由于楼宇遮挡和网络布设等问题,利用卫星导航系统对车辆进行定位精度较低,无法满足实际需要。此外,车辆作为一个具有长、宽、高的真实物体,在超车控制、路口调度等典型场景中,需要具体分析轮廓信息的获取方式和对具体应用场景的影响。高精度三维空间位置、车辆的轮廓都是智能驾驶所需的必要情境信息。因此本文基于贝叶斯框架,从概率的角度提出了面向智能驾驶需求的的车辆追踪方法,在提高车辆的三维位置精度的同时,实现了车辆的轮廓的拟合。本文针对于复杂城市环境下的车辆的三维定位需求,充分利用了无人机在覆盖面积大、垂直方向测距精度高的优势,提出了基于无人机辅助的3D车辆定位与追踪算法。该算法基于置信度传递(Belief Propagation,BP)框架,利用到达时间估计(Time of Arrival,TOA)方法获取的测距值获取车辆的3D位置。本文利用克拉美罗下界(Cramer-Rao Lower Bound,CRLB)验证了无人机辅助车辆定位与追踪算法的可行性。同时为了满足智能驾驶实际的应用场景,考虑到车辆和无人机之间消息传递的方式以及无人机的位置估计方法。本文分别研究了无人机在定位策略和追踪策略下的不同消息传递方式,获取车辆3D定位与追踪的最佳策略,结合现代5G移动通信网络条件,从而满足智能驾驶的高精度需求。另一方面,针对于车辆的3D扩展轮廓定位需求,本文提出了基于随机矩阵框架的3D扩展目标的追踪算法,将车辆用椭球体进行拟合,利用三阶正定矩阵表示车辆的轮廓信息,将复杂的扩展目标问题分解为质点的运动问题和轮廓的估计问题,通过贝叶斯框架下的预测与更新阶段,有效地实现车辆实时的位置更新以及轮廓拟合,车辆的扩展轮廓精度达到分米级别,适用于智能驾驶的车辆追踪场景。本文主要针对智能驾驶所处复杂场景的三维位置信息以及三维轮廓信息展开研究。通过理论推导、仿真验证等研究工作,可以获得较高的车辆位置精度以及轮廓拟合精度,能够较好解决智能驾驶的复杂环境下车辆的3D定位与追踪问题,为后续车辆的智能控制与优化框架提供理论支持。