高精度和强鲁棒的车辆定位信息能够为智能汽车的感知、决策与路径规划等模块提供信息支持,是实现无人驾驶的基础。通常单一传感器可以实现车辆的定位功能,但在实际复杂环境行驶过程中,易受传感器自身特性和环境变化等因素的影响,导致难以仅依靠单一传感器完成持续的定位工作。本研究针对车辆在复杂环境下定位精度低、鲁棒性差的问题,从低成本的角度出发,提出了基于卡尔曼滤波的单双目视觉融合方案,以及基于非线性优化的多传感器信息融合定位方案,实现长时间、高精度、强鲁棒的车辆定位功能。本文主要内容包括:首先提出了一种基于卡尔曼滤波的前向双目和后向单目相机融合的定位方法,通过松耦合实现前向和后向视觉里程计的融合。该方法综合利用多相机视觉的环境信息实现更广范围的感知,从而实现更精确的定位。同时针对传感器信息的失效或缺失,该定位方法可以自动判断和切换绕过失效模块,提高了系统的鲁棒性。针对单目相机尺度信息缺乏的问题,提出了一种基于双目3D信息来恢复单目视觉里程计尺度的实时在线估计方法,该方法通过最小化窗口内的误差约束计算单目尺度信息,在考虑汽车的运动状态的影响下对估计尺度进行修正。另外通过修过的尺度因此可以恢复单目视觉里程计的实际轨迹,使前后相机都具有独立定位的能力。为了进一步提高定位性能,本文在前后向相机融合的基础上,进一步引入IMU和GPS等多维信息,提出了基于非线性图优化技术的智能汽车定位方法。该方法根据不同传感器的特性,采用局部融合和全局融合双层架构来实现融合定位,其中局部融合层中将IMU和相机组成VIO系统进行位姿估计,全局融合层中对各VIO因子和具有全局信息的GPS因子的全局位姿进行调整优化。该方法具有强的鲁棒性和灵活性等优点,当任何一种传感器失效时系统仍然能够正常工作,同时分层融合策略能充分实现各传感器多层次、多空间信息之间的互补优化,提高了系统的定位性能。最后在相关的智能汽车数据集上对所提出的方法进行了测试和验证,并和先相关最新的定位方法进行对比,结果表明其定位精度和鲁棒性都得到了提高,可以为智能汽车提供连续可靠的定位信息,同时具有成本低等特点。