智能车，又称无人驾驶智能车，是近些年汽车领域和车辆领域科学研究和产品发展的主要方向。智能车为了能够完成人们期望的各类任务，定位精度和定位的可靠性是其最基本的问题，也是相对复杂的问题。本文主要研究GPS失效环境下的新型定位算法，旨在补偿智能车在缺少GPS信号情况下也可以获得精确的定位信息。　　首先考虑在实际应用过程中，多数情况下并不能对车辆进行有效的建模或者车辆上并不方便安装里程计，此时传统基于里程计的车辆运动学模型将无法应用于车辆定位中。为了解决缺少里程计情况下的车辆定位问题，本文提出一种车辆运动状态估计模型。提出算法通过该模型估计车辆位置、姿态及其运动状态（如速度）。提出算法用估计的运动状态代替里程计，进而估计车辆的位置。为了验证算法的效果，本文将提出算法同基于模型车辆定位算法进行比较，先后通过仿真数据和悉尼大学维多利亚数据库数据进行对比。实验结果表明，提出算法可以达到基于里程计的算法同等的定位精度。　　之后本文研究了视觉里程计并提出一种新的视觉里程计算法。该算法通过解耦估计旋转-平移增强该视觉里程计在动态环境下的性能。理想的视觉里程计通过观测静态环境特征实现视觉系统的运动估计，但是实际环境中不可避免的存在动态特征。因而如何消除动态特征，减少其对视觉里程计性能的影响，是提高里程计性能的有效途径。本文通过立体视觉系统将特征点划分成“远点”和“近点”分别处理:在一致随机估计（RANSAC）框架下，采用“远点”估计视觉系统的姿态;进而在姿态已知的前提下，使用“近点”计算摄像机平移。这样通过姿态约束降低了近距离运动物体对视觉里程计的影响。实验表明，在实际道路环境中，本文基于旋转-平移解耦估计的算法较之传统同时估计旋转平移的算法，能有效剔除动态特征，提高视觉里程计的性能。　　为了获得更高精度的定位结果，本文研究了车辆同时定位与地图构建(Simultaneous Localization And Mapping，SLAM)问题。SLAM是将车辆和环境地图看成一个整体，通过估计车辆位置构建增量式地图，再根据地图估算车辆位置。尽管已有的SLAM算法能够有效降低累积误差，但是这些算法大都存在线性化误差过大的问题。本文提出两种新的SLAM算法:平方根正交容积变换卡尔曼滤波器的SLAM算法（SCQKF-SLAM）和基于正交容积粒子滤波器的SLAM算法(CQFastSLAM)。这两个算法均通过融合正交容积变换(cubature rule)和高斯-拉格朗日规则（Gauss-Laguerre quadrature rule）求解出更高的非线性精度。通过综合考虑计算代价和计算，SCQKF-SLAM和CQFastSLAM都是有效降低SLAM线性化精度。后续仿真和数据库实验表明，在大规模环境地图中，提出算法都有效提高了车辆定位精度。