车辆导航定位技术是智能交通系统中的一项关键性技术,而地图匹配能够将车辆定位信息与路网电子地图相结合,是车辆导航系统中重要的组成部分。针对城市道路网密集且高程变化较大,从而引发地图匹配精度不高的问题,本论文采用不同算法和模型组合,从以下几个方面着重对提高地图匹配精度进行了深入研究:为了解决城市道路网密集、高架桥引发高程变化使地图匹配精度不高的问题,提出一种能够实现定性概念与定量数值之间不确定性转换的云模型地图匹配算法。该算法通过建立云规则和进行基于云模型的不确定性推理,并结合高程辅助方法来构筑地图匹配模型。云模型可以将定性概念的模糊性与随机性集成到一起,克服了基于模糊逻辑地图匹配算法中隶属度的确定带有主观色彩的不足。为克服上述算法只使用当前定位点信息,使得匹配信息不足的缺点,提出基于当前定位点信息和历史轨迹信息的智能地图匹配算法。该算法通过引入平均Fr(?)chet距离,定义两条轨迹曲线间的距离,设计了基于云控制器的地图匹配算法,给出可信度P作为地图匹配效果的评价指标。该算法不仅能够在出现匹配错误时为使用者提供警告信息,而且还能提供一种迅速从错误中调整恢复的方法。仿真试验表明,该算法总体匹配精度要优于当前定位点匹配精度。为了提高匹配算法的自适应性,在Sinn Kim和Jong Hwan Kim提出的算法的基础上,充分考虑了历史信息对地图匹配的影响和历史轨迹曲线的连续性,引入Fr(?)chet距离准则方法来定义曲线间的距离,达到曲线匹配的目的;由于参考了历史信息,因此增加了输入变量,从而也增加了模糊规则数量。为减少由于规则的增加对算法运行效率的影响,本文采用分层模糊控制技术,设计基于Fr(?)chet距离准则和分层模糊控制技术的地图匹配算法。由于采用了分层模糊控制的思想和改进算法的学习律,因此需要利用前一时刻定位误差对于每一层输出变量的隶属函数中心值进行修正,从而达到对当前定位点的C-Measure值进行调整的目的。改进后的算法能从整体上把握车辆行驶的轨迹曲线,进一步提高了C-Measure算法的匹配适应性。最后,本文提出了一种基于多准则融合的地图匹配算法。该算法运用信任理论融合了多种评价准则,并对匹配过程中的道路选择进行了综合评价。首先,利用车辆定位的当前和历史信息建立了邻近准则、夹角准则和历史轨迹邻近准则。然后,运用D-S证据组合规则,将三种评价准则进行融合应用于道路选择过程中。再借助连通性准则对融合的最终结果进行修正,提高了算法的精度。仿真结果表明,对于简单和复杂路网,该算法都能提供较高的匹配精度,识别出车辆行驶的道路。