为了适应GNSS拒止的环境影响,需要利用载体自身搭载传感器实现无源自主式定位。而无论惯性导航系统、视觉传感器还是激光雷达都有各自的优缺点,在应用中均有一定的限制。本文致力于解决无人车辆在GNSS拒止环境中定位问题,通过发挥多传感器融合的优势,弥补单一低成本传感器精度的不足,进而提高系统的精度与鲁棒性,最终提升系统的适用性。主要研究内容如下:（1）针对载体的实际运动时,IMU内部器件噪声与外部振动噪声产生复合干扰造成性能退化的问题,研究了加速度计标定方法和陀螺仪误差补偿方法。通过建立加速度计确定性误差模型进行标定,测试结果表明基于所建立模型标定后的加速度计误差大幅降低。基于数据驱动方法,提出了采用Bi LSTM网络对陀螺仪误差模型进行表征并结合EM算法进行滤波补偿,设计了随机振动实验采集陀螺仪数据作为网络的训练集,使用全温全转速实验中的陀螺仪数据对所提出的Bi LSTM-EM算法的补偿效果进行验证,结果表明经过所提出算法补偿后的最大相对误差为3.56%,而原始数据与ARMA模型的最大相对误差分别为29.97%和21.24%,由于最大相对误差往往出现在低角速率范围内,而在角速率较低时随机性误差影响更大,由此可见所提出的Bi LSTM-EM算法对陀螺仪随机性误差补偿具有一定的效果。（2）针对Le GO＿LOAM算法中通过设立阈值进行地面分割,对位姿约束不足的问题,提出了基于迭代平面拟合的地面分割方法,对位姿建立良好的约束。通过对KITTI数据集中8个序列测试结果的绝对轨迹误差值进行对比,结果表明相较于ALAOM算法和Le GO＿LOAM算法,本文提出的改进Le GO＿LOAM算法在绝对轨迹误差上有着更好的精度,说明通过迭代平面拟合分割的地面与特征点配准后,对位姿建立了更好地约束,从而提升了里程计定位效果。（3）针对单目视觉里程计中尺度不确定的问题,提出了一种基于Unet++改进的有监督深度估计算法和融合深度估计的单目视觉里程计算法。所提出的单目深度估计算法Res-Unet++网络将Res Net101作为编码器,设计编码器-解码器结构,从而提供精确的深度值,在KITTI单目深度估计数据集上的测试结果表明,所提出的Res-Unet++网络效果优于原始的Unet、Unet++和Unet3+网络。随后将单目深度估计算法融入半直接视觉里程计框架中,为其深度滤波器提供可靠初值,通过对KITTI数据集中8个序列测试结果的绝对轨迹误差值进行对比,结果表明相较于DSO算法和关闭回环检测的ORB-SLAM算法,本文提出的Res-Unet++-SVO算法对真实轨迹跟踪效果更好,表明本文提出的融合深度估计的单目视觉里程计算法可以有效地解决传统单目里程计尺度不确定问题。（4）针对提升系统容错能力,避免传感器故障导致整个系统失效问题,采用了联邦卡尔曼滤波器进行多传感器组合定位,通过将KITTI数据集中单帧的点云和图像覆盖其后的一段时间内的数据,来模拟传感器故障,仿真结果表明在单个传感器发生故障后,系统轨迹估计依旧可以收敛,说明系统具有较好的容错性。