随着经济和社会的发展,城市的交通拥堵和环境污染问题日益凸显。智能交通系统(ITS——Intelligent Transportation System)的运用能够很大程度上缓解此类问题的发生。基于GPS(Global Positioning System)的车辆定位是目前最先进、应用最广的卫星导航定位系统。获取精确车辆定位信息是车载导航系统最基本的要求,但是由于GPS容易受到外界环境的干扰。在城市,由于高楼、立交桥、隧道、无线电干扰等,往往造成GPS信号接收困难或丢失,不能准确导航定位;在野外,由于树林、山洞、恶劣天气等,造成GPS信号中断,无法确认车辆位置。针对GPS的不足,引入了航位推算(DR——Dead Reckoning)辅助定位,来保证定位的连续性和准确性。本文主要从理论研究的角度出发,探讨ITS的一个前沿分支——智能车辆定位导航系统的定位部分,从理论、方法及应用方面进行了较全面、系统的论述和总结。分析了GPS的组成、定位基本原理和误差来源及DR的组成和定位原理,深入研究了GPS/DR组合定位的数据融合算法。本文在重点论述组合定位算法的同时,对传统的自适应联邦卡尔曼滤波算法进行了分析,提出了改进的自适应联邦滤波算法,它融合自适应联邦滤波算法和SageHusa自适应滤波算法等,具有原理简单、计算快速、定位精度等优点,对GPS的定位数据的传统算法的发散得到收敛,提高组合定位的精度。而且本文还对此算法进行了计算机仿真实验,通过Matlab语言编程实现,得到一系列定位数据,同时获得了仿真结果,验证了该算法的可行性和有效性,证实了改进的算法比传统算法更能提高车辆定位的精度和可靠性。