路侧感知是车路协同系统的核心组成部分,感知数据的质量将直接影响各场景应用的效果和可行性。现有路侧感知方案中多采用传统的交通传感器,如在地面上安装侵入式检测器或包含支撑结构的悬挂式检测器。这些常规检测器安装和维护的费用较为昂贵,并会严重干扰城市交通的正常运营。以上不足促使了用于智慧交通全息数据感知的低成本、易安装、高精度的位置感知技术的研发。其中,无线传感网络技术（Wireless Sensor Networks,WSNs）在数据采集、数据分析和数据管理方面展示了极大的应用前景。在无线位置感知技术中,基于信号接收强度指示值（Received Signal Strength Indicator,RSSI）的定位方法无需对现有无线传感网络的硬件层和协议层进行修改,具有成本低、精度高的优势,已被广泛应用于车联网领域。然而,受室外传感信号波动损耗、交通障碍物遮蔽干扰、路侧传感单元部署成本、移动模式甄别精度不足等影响,其在协同智能交通系统（Cooperative Intelligent Transport Systems,C-ITS）中的大规模集成应用仍存在部分亟待解决的问题。本文以无线传感信号RSSI的采集分析、数据挖掘为基础,对车路协同环境下位置感知与移动模式甄别算法的应用进行研究,厘清了小范围场景目标定位与大范围场景目标定位的差异性,总结了现存问题,提出了因应对策,旨在提高基于无线传感信号的位置感知与移动模式甄别算法在车路协同环境下的可用性,为智慧城市交通信息检测系统的数据采集、实证分析及后续管理控制提供有效支撑。本文的主要研究内容和创新点,可凝练为:（1）针对小范围场景精准定位需求,基于指纹的定位是一种更为合适的技术方案。然而,传统指纹定位方法存在“冗余数据较多、训练时间较长”的问题。对此,本文将局部线性嵌入方法扩展到半监督学习机中,结合道路环境中车辆行驶特性,提出了一种基于流形降维的半监督极限学习机定位方法。试验表明:本文方法在稀疏或密集传感器部署环境中,对不同行驶速度的车辆均能提供理想的定位精度,且训练时间短和样本量依赖性低。该方法适用于半封闭式隧道、城市高架桥底和城市峡谷密集建筑物等小范围非视距场景,可支撑实现盲区预警、前方拥堵提醒和协作式自动巡航控制等服务。（2）针对大范围场景快速定位需求,基于曲线拟合的测距定位是一种更为合适的技术方案。然而,传统对数正态阴影模型存在“噪声干扰较大、拟合效果较差”的问题。对此,本文提出一种新颖的两阶段测距定位方法。试验表明:本文方法能有效抑制道路环境下无线传感信号的波动噪声,进一步降低距离估计误差峰值,并在保持较低计算复杂度的同时取得较优的定位性能。该方法适用于计算资源有限、定位目标较多、时间较为急迫或传播环境相差较小的大范围非视距场景,可支撑实现人群流量计数、弱势交通参与者预警和车辆碰撞预警等服务。（3）针对大范围场景鲁棒定位需求,基于神经网络的测距定位是一种更为合适的技术方案。然而,传统神经网络算法存在“模型调参较难、计算复杂度较高”的问题。对此,本文改进当前回归神经网络寻优过程的不足,提出一种基于粒子群优化回归神经网络的RSSI测距定位方法。试验表明:该方案能在不同环境、不同速度、不同设备条件下均能保持良好的系统鲁棒性。该方法适用于计算资源充足、定位目标较少、时间较为宽裕或传播环境相差较大的大范围非视距场景,可支撑人群轨迹跟踪、数据驱动的交通灯自适应控制和交通健康状态监测等服务。（4）针对城市交通信息检测系统“部署成本较低、实时性较高”的检测要求,基于WSNs的被动式检测是一种更为合适的技术方案。然而,现有移动模式甄别算法存在“部署成本较高、甄别精度较低”的问题。对此,本文提出了一种基于RSSI的移动模式甄别系统。试验表明:该系统能有效刻画用户实时移动速度特征,并进一步精准识别用户的移动模式。该方法具有部署成本较低、实时性较高、甄别精度较高的优势,作为新一代智慧城市交通信息检测系统,可支撑断面与路况监测分析、多交通模式占比监测分析、区域O-D监测分析等服务。总的来说,针对不同场景下的定位与甄别需求,本文相应提出了面向小范围场景目标的RSSI指纹定位方法、面向大范围场景目标的RSSI快速定位方法、面向大范围目标的RSSI鲁棒定位方法和基于单点检测数据的移动模式甄别方法。四类方法各具特点、互补互成,涵盖噪声滤波、距离估计、位置检测和移动模式甄别等方面,并有机集合形成了适用于C-ITS领域的、高精准度的、高实时性的成套算法,为实现我国车路协同技术大规模集成应用提供了一种新的解决方案。