随着现代社会的不断发展,人们对于交通智能化的需求也不断提高。车辆的位置信息是智能交通提供众多服务的一个基础,所以需要对车辆进行准确的定位。为了提高车辆定位的精度,可以考虑采用先进的滤波技术对测量数据进行处理。本文将GPS给出的车辆初步位置信息结合车辆的里程计信息作为系统观测量,建立非线性系统模型,采用非线性的容积Kalman滤波对车辆位置进行滤波估计。通过仿真发现,采用容积Kalman滤波能够较好的对车辆进行定位。但是,在车辆运动发生机动突变时,会发生定位误差剧烈增大的现象。针对此问题,本文研究将多模型算法与容积Kalman滤波相结合,形成自适应的多模型交互容积Kalman滤波。通过仿真发现,使用该算法能够对车辆运动中的机动突变进行较好的应变处理,在本文模拟的车辆做一般机动运动时,相比容积Kalman滤波能对车辆的定位精度提高25%左右,在车辆做剧烈的机动运动时,这种提升效果还会更明显。本文考虑了当车辆进入不存在GPS信号的隧道时,利用GIS的地理空间数据和车辆的里程计信息,仍然可以采用多模型交互容积Kalman算法。通过仿真发现,从GPS信号存在,到GPS信号消失,再到GPS信号恢复的全过程中,仍然可以获得较好的车辆定位效果。此外,本文还仿真了在隧道中的定位存在累积误差的场景。当车辆刚驶出隧道能够接收到GPS信号时,能够在20个滤波周期左右对车辆的定位位置进行修正,不断消除累积误差,使得定位得以稳定持续。本文的研究可以为非线性滤波算法的研究提供借鉴,同时也为智能交通系统中如何获知准确的车辆位置信息提供了参考。