高精度的定位测姿是移动测量和智能载体自主导航的基础。近年来,随着智能驾驶、智能移动机器人、无人机等领域的快速发展,人们对于高可用、高可靠、高精度的位置服务需求正逐步扩大。在室外空旷环境下,由多系统多频卫星导航和高性能惯性导航组合而成的RTK/INS定位方式仍为最可靠的方案。但在卫星信号部分/全部遮挡的环境下,仅靠GNSS/INS组合无法实现可靠连续的高精度定位。视觉传感器由于具备成本低、体积小、无源等特点,可作为额外信息对GNSS/INS进行辅助定位。GNSS建立了全球统一的时空基准,可提供全球、全天候的位置服务;SINS独立自主,采样率高且稳定连续,一般可作为核心传感器使用;视觉传感器即可进行相对定位,也可在有先验地图支持下,实现绝对定位,其性能介于GNSS/SINS之间,是GNSS/SINS组合系统的有效补充。GNSS、SINS、视觉传感器也是目前无人驾驶车辆和相关厂商标配的三种传感器。由此可见,视觉/GNSS/SINS具有很强的优势互补性,其多源融合定位也是未来PNT的一个重要方向。本文以此为背景,开展了视觉辅助下的GNSS/SINS组合的车载精密定位方法研究,旨在提升车辆在城市复杂环境下的定位能力,本文的主要研究工作如下:1)本文充分利用GNSS、惯性、视觉三者的互补性,提出了一种卡尔曼滤波框架下基于多状态约束的视觉/GNSS/SINS紧耦合的自主定位方法,对该方案的状态模型和观测模型进行了详细的推导。实测数据验证表明,在GNSS长达3分钟的失锁情况下,视觉/SINS紧耦合可极大抑制惯导的误差漂移,位置单向的最大位置误差小于2m,其位置误差随距离的累积程度小于千分之一;当卫星长时间部分遮挡时,三者紧组合方法可获得分米到亚米级的定位精度。2)本文对SIFT特征法、ORB特征法和LK光流法三种前端算法进行了算法实现和改进,并采用实测数据进行了算法测试。结果表明,SIFT特征法平均耗时0.258s,约为ORB、LK的一倍,其特征点分布不均,但跟踪效果稳健;LK光流法跟踪效果受光照影响大,其跟踪效果帧与帧之间差异较大。不同的视觉前端会对视觉定位结果产生一定差异,就测试数据而言,LK光流法的整体定位精度略高于SIFT、ORB。3)本文基于YOLOv3对拍摄影像进行动态物体检测,将移动的行人、车辆上提取到的动态特征作为外点排除,只留下静态特征点用于视觉位姿估计。测试表明该方法对动态物体检测的正确率可达到90%以上,且检测耗时平均只需0.05s。去除动态干扰后,视觉里程计的侧向和前向定位精度均提升了0.5m左右。4)本文利用POS系统后处理得到的高精度位姿信息,通过双目影像的左右、帧间特征匹配以及联立优化得到厘米级的视觉点云地图,并采用多类质量评估指标对点云进行筛选。同时,通过传统的车道线提取与基于卡尔曼滤波的跟踪算法得到车道线地图。5)本文提出了基于视觉点云地图的视觉匹配定位辅助下的融合定位方法和基于车道线地图的车道线约束下的融合定位算法。实验证明,在GNSS信号完全中断情况下,利用视觉点云地图辅助,即使仅匹配到1个路标点,也可将位置精度保持在10cm内;加入视觉地图信息辅助后,可大幅度提升定位系统在复杂环境下的适用性,车道线的侧向约束、里程计/道路方向卫星的前向约束可使算法在卫星300s遮挡下,保持20cm左右的位置精度。