随着城市交通的飞速发展,交通问题日益突出,交通问题逐渐成为至关重要的民生问题,车联网等新兴的智能交通技术已经成为一种新的发展趋势。而车辆定位技术是车联网技术中基础而重要的一环,尤其是一些涉及安全类的场景中更需要车道级的高精度定位。目前车载端常用全球导航卫星系统(Global Positioning System,GPS)提供定位信息,但是目前很多车辆搭载的GPS设备精度有限,而且城市环境中,由于高楼和其他障碍物的遮挡,GPS常常出现较为严重的故障。当前,车联网定位技术的发展方向主要有惯性导航、差分定位、传感器辅助定位以及协同定位等,而本文专注于研究车联网协同定位技术。协同定位技术是通过车辆间的相互通信,对车辆的状态信息、信号强度及载波频移等物理层信息加以优化整合,从而在数据量有限的情况下得到更为精确的位置信息,其中耦合协同定位技术有着较为出色的性能。因此如何利用有限的数据源,尽可能提高车辆定位精度,具有十分重要的意义。本文针对大部分车辆GPS定位精度不高以及城市环境中GPS信号可见度有限或不存在的情况,以GPS、RSS(Received Signal Strength)以及CFO(Carrier Frequency offset)信息为基础,提出了一种协同定位算法。通过仿真分析,在GPS没有严重受限的情况下,该协同定位算法与原始GPS信号相比能够提升59%的定位精度,并与其他同类算法进行对比分析,说明了基于GPS/RSS/CFO的协同定位算法的优越性,而在城市环境中可能发生的严重受限场景中,该算法同样有效。其次,论文在上述算法的基础上进行了针对性改进。一方面,通过对RSS技术的分析,提出了基于CRLB(Cramer-Rao Lower Bound)的动态决策函数,通过它使决策中心能够根据实际情况自适应地做出决策。另一方面,针对GPS卡尔曼滤波器系统模型不准确的问题,提出一种基于BP(Back Propagation)神经网络的协方差矩阵修正算法,能够根据车辆运行状态及时调整卡尔曼滤波的协方差矩阵。通过仿真分析,改进后的协同定位算法比改进前以及其它同类算法有着更优越的性能,并能够在GPS不严重受限的情况下基本满足车道级定位要求。