准确、实时的位姿估计是实现智能车辆自主导航的必要前提。目前,全球导航系统与惯性导航系统的组合定位方案（GNSS-INS）和高精地图（HD Map）已经能够满足智能车辆在定位方面的需求。然而,面对复杂的城市环境,基于GNSS的定位由于信号遮挡及多径效应等因素导致定位不可靠,同时,商用的HD Map的制作和更新成本高,鉴于视觉方法在机器人、无人机等位姿估计方面表现出了优越性能,因此,开展城市环境下的智能车辆视觉位姿估计方法研究具有重要意义。为了构建鲁棒的视觉位姿估计模型,结合车辆运动特性对基于特征点的视觉里程计进行系统设计。对相机成像及畸变等进行数学建模,采用一种阈值自调节的FAST关键点检测方法以适应不同质量图像,使用非极大值抑制解决角点聚集的问题,计算候选点的海森矩阵,根据海森矩阵特征值与图像边缘点的对应关系消除边缘点,采用双向匹配的策略进行特征点关联,将阿克曼转向车辆运动模型及运动特性融入到位姿估计中,进行系统集成得到本文智能车辆位姿估计基础模型,最后通过试验验证了该模型的有效性。为了提高系统在城市环境下的定位精度,提出GPS与目标检测辅助视觉的多信息融合方法。构建视觉里程计与GPS信息融合的图优化模型,计算模型中的残差项构建非线性目标函数,根据GPS精度赋值GPS信息不同的权重因子,最小化目标函数解算出融合后的车辆位姿;采用基于深度学习的检测算法检测环境中的动态物体,在特征点匹配前进行动态特征点剔除以降低动态物体对定位精度的影响;提出一种“伪动态物体”判别方法,解决目标检测算法将环境中静止的车辆及行人视为动态物体的问题。试验结果表明该方法能够克服动态物体对系统的干扰,在城市环境中具有较高的定位精度。为了提高系统的计算效率,对追踪线程进行并行计算设计。试验分析追踪线程各部分耗时占比从而确定特征点提取、匹配与定位为待优化的模块;在CPU-GPU异构平台上建立特征点提取与匹配并行化计算框架以实现该部分的加速;针对定位部分,提出3D内点的检测策略实现并行化搜索地图点,采用饱和线性核函数作用于重投影误差,保证降低异常点对定位精度的影响的同时实现位姿优化的并行化计算。实验结果表明特征点提取和匹配平均加速比达6.5倍,系统整体计算效率较加速前提升7倍左右。