高精度定位是无人驾驶汽车的基础能力之一,无人驾驶汽车多使用全球导航卫星系统（Global Navigation Satellite System,GNSS）信号进行定位。但GNSS在城市等场景下存在“多径效应”和信号被遮挡等问题,容易导致定位信息不准确甚至丢失。视觉惯性同步定位与构图（Visual Inertial Simultaneous Localization and Mapping,VISLAM）技术依靠自身传感器进行定位,不依赖外部信号,可以在GNSS信号丢失的情况下提供高精度定位,但存在累计误差、低光照条件下视觉特征跟踪困难易导致定位失败等问题。因此,本文提出一种低光照条件下无人驾驶汽车融合定位算法（Low Light Visual Inertial GNSS,LL-VIG）,采用图像增强算法提高低光照图像视觉效果,基于非线性优化框架将VISLAM和GNSS定位结果进行融合,可以在城市等低光照场景下提供高精度定位结果。本文主要研究内容如下:（1）针对低光照条件下图像对比度低、含有噪声、特征提取困难的问题,提出一种多层融合图像增强算法。在HSV颜色空间,将图像的V通道分为Retinex增强层、亮度增强层和对比度增强层:Retinex增强层使用引导滤波估计反射分量;亮度增强层使用自适应伽马变换进行全局亮度增强;对比度增强层使用对比度受限的自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization,CLAHE）进行对比度增强。采用细节融合方法融合各层图像,去除噪声后得到最终的增强图像。（2）针对低光照条件下VISLAM前端角点提取困难、匹配成功率低的问题,提出一种改进的VISLAM前端算法。首先对低光照图像使用多层融合图像增强算法进行预处理,然后使用自适应通用加速分割检测（Adaptive and Generic Accelerated Segment Test,AGAST）算法进行角点提取,提高角点提取的自适应性和鲁棒性,并采用改进的光流跟踪算法提高匹配成功率,同时采用改进的RANSAC算法去除误匹配。（3）针对VISLAM存在累计误差、GNSS信号易受干扰的问题,采用图优化的方式将GNSS全局定位信息与VISLAM定位结果融合,在一定程度上降低了VISLAM累计误差,同时可在GNSS信号缺失的情况下提供高精度定位,提高了无人驾驶汽车定位精度和鲁棒性。（4）通过实验验证本文所提算法的有效性。基于New Tsukuba Stereo数据集对本文提出的多层融合图像增强算法进行实验验证,结果表明本文算法增强后的图像有效提高了角点提取的数量。基于Eu Ro C和KITTI公开数据集以及实车场景对本文提出的LLVIG算法进行实验验证,结果均表明LL-VIG在定位精度上明显高于对比算法VINS-Fusion。