随着智能交通系统(Intelligent Transportation System,ITS)的发展,全球卫星导航系统(Global Navigation Satellite System,GNSS)渐渐不能满足复杂环境下的车辆高精度位置需求。协同定位通过网络节点间通信并整合多种测量信息,有效地提高位置精度,但车辆网络中的非视距(Non-Line-of-Sight,NLOS)邻车以及恶意攻击邻车造成严重的距离测量误差,进而导致协同定位误差。因此,如何在车辆网络中应用协同定位方法并消除NLOS对定位的影响是当前研究的热点。本文针对NLOS邻车和恶意攻击邻车采取对其检测丢弃的策略,重点对相应的检测方法进行了研究;并基于检测方法得到的正常视距(Line-of-Sight,LOS)邻车研究了一种贝叶斯协同车辆定位方法。本文研究内容和创新点具体如下:(1)通过对车间距离误差自相关矩阵的特征分析,得出NLOS距离误差向量为其自相关矩阵最大特征值对应的特征向量。基于这一结论,本文提出了一种NLOS检测方法。首先用GNSS欧式距离与测量距离之差来近似得到车间距离误差向量,以统计平均代替数学期望求得自相关矩阵;然后借助特征值的拟合指数分布得出特定概率下的判决门限值;最后通过特征值的门限判决进行NLOS检测。仿真结果表明,所提出方法能够有效检测NLOS,检测率达90%以上,虚警率大约为10%。(2)利用车辆GNSS位置的统计特征对LOS、NLOS和恶意车间距离测量的进行概率建模,得出可将三者看作服从相同分布。基于这一结论,本文提出了一种异常车检测方法来实现NLOS车和恶意车的统一检测。首先基于所建立的概率模型进行保守的初步判决,得到部分正常LOS距离测量作为参照集;然后利用马氏距离分析其他距离测量与参照集的统计差异,并进行卡方检验得到邻车的可信度;最后通过可信度的二次判决进行异常车检测。仿真结果表明,所提出方法对NLOS车和异常车都能够达到良好的检测效果。NLOS检测率和恶意检测率都在90%以上,虚警率也保持在5%以下。(3)基于(1)和(2)所提出方法得到的正常LOS邻车,本文提出了一种贝叶斯协同车辆定位方法。用经卡尔曼算法滤波的GNSS位置信息和正常LOS车间距离信息分别实现车位置和车间距离先验概率的近似获取,基于贝叶斯理论推导得到多邻车场景下的车辆位置后验概率公式,并用最大后验概率原则和最小均方误差原则进行位置估计。基于蒙特卡洛的仿真结果表示,所提出的方法能够有效的提高复杂环境下的车辆GNSS位置精度。