协同定位（Cooperative Localization）利用异构智能体在邻域内信息交换,通过信息融合实现编队中个体定位。作为智能体常用载具,轮式车辆定位采用集中式结构处理多个传感器测量数据以提高精度。然而在GNSS拒绝区域利用传感器采集信息进行多车辆系统定位,对信息种类和数量有较高要求。基于Kalman滤波算法的车辆定位在户外环境中会出现车辆运动模型与实际模型匹配度低和测量值中含有乘性噪声问题。如何解决运动模型不匹配和测量误差波动问题、提升多车辆系统定位精度,已成为多车辆协同定位亟待解决的问题。本文针对单辆车定位误差大的问题采用多车协同定位方案,基于无线传感器网络技术并且利用信息交换增加信息冗余以提高估计精度。面对户外真实环境对滤波算法进行相应地改进,逐一解决户外条件下传感器采集信息受乘性噪声影响和运动模型与实际模型不匹配问题。通过仿真对比分析基于平均一致性和基于最大一致性定位算法性能。论文主要完成了以下研究工作:（1）针对测量值含有相关乘性噪声的情况,对传统的容积Kalman滤波算法进行改进。通过构建乘性噪声模型,采用新息分析法改进传统的高斯滤波算法并依据噪声相关系数已知和未知推广到容积Kalman滤波算法,得到一种自适应容积Kalman滤波算法。（2）采用交互式多模型滤波算法替代单模型滤波算法,提高模型的匹配度。将其与自适应容积Kalman滤波算法相结合,提出一种交互多模自适应容积Kalman滤波算法,解决户外环境中单模型滤波算法定位精度低的问题。（3）在协同定位算法设计过程中利用图论中有向强连接图构建异构车辆间信息传递关系,将最大一致思想与容积Kalman滤波相结合提出一种分布式滤波算法,解决信息一致过程收敛速度过慢的问题。采用交互多模自适应容积Kalman滤波替换分布式滤波算法中的容积Kalman滤波算法,提高分布式滤波算法状态估计精度,并应用于麦克纳姆轮车辆进行仿真。