当前,全球自动驾驶汽车的发展浪潮正大力助推汽车高级辅助驾驶系统与汽车主动安全系统的研发。准确地感知车辆所需的多种信息对车辆系统的稳定运行具有重要意义。现有的信息感知方法大多针对某一类信息,且/或往往在特定的简单场景（如:水平路面、车辆结构参数保持不变等）下进行。但是,不同种类的车辆系统信息之间往往存在不同程度的耦合关系,对某类信息单独感知的做法常常伴随着鲁棒性和适用性问题。此外,由于地形限制或设计需要,行驶道路通常存在坡度;车辆质量也会随载荷的增减而发生变化。在这些因素叠加作用下,若仍然采用常规的感知方案,必然存在极大的失效风险。本文拟针对此类问题,从协同感知的角度研究适用于车辆系统的多类信息（包括车辆运动状态、车辆质量以及道路坡度等）高性能获取方法,具体包括以下几个方面:首先,针对不同种类的信息,提出一种基于分布式结构的多信息协同感知方案。通过多类信息之间的相互协调实现车辆系统内部的信息循环,各类信息的感知则分别利用车辆运动状态估计、车辆质量辨识以及道路坡度观测等模块实现。其次,考虑道路坡度对车辆动力学的影响,搭建车辆模型以准确表征坡道上的车辆的特征。在此基础上,设计基于变分贝叶斯自适应容积卡尔曼滤波算法的车辆运动状态估计模块。在时变噪声环境下,该算法能够对系统状态与量测噪声进行联合估计,利用最小化Kullback-Leibler散度获取局部最优解。然后,设计基于含遗忘因子的递推最小二乘算法及车辆纵向动力学模型的车辆质量辨识模块;基于坡度预测模型及cubic观测器构建新的道路坡度观测模块,以降低观测结果中存在的时间延迟。相关的对比结果表明:新方案的车辆质量辨识精度较高,道路坡度观测结果的时间延时也可以得到缓解。最后,通过实验对本文的工作进行验证和比较。结果表明:时变量测噪声环境下,车辆运动状态估计模块的感知结果较准确,对相应的噪声具有较好的鲁棒性;道路坡度变化且车辆质量未知的条件下,所提出的协同感知策略具有时延低、精度高以及稳定性好等明显优势。