自2009年谷歌公司宣布开始自动驾驶技术布局以来,自动驾驶技术受到各国政府和企业的高度重视。2019年以来,我国主动布局自动驾驶发展策略,出台一系列相关政策文件大力驱动自动驾驶技术的发展。不同于欧美国家单车智能的发展路线,我国结合新基建的强大优势,以车路协同发展为依据,以期实现自动驾驶技术落地。然而,实现自动驾驶的普及仍然非常遥远,人机混驾将长期存在。本文从自动驾驶的发展趋势出发,分析了自动驾驶技术面临的主要安全问题,结合自动驾驶数据获取特点,提出对自动驾驶汽车的前方车辆轨迹进行预测对提升安全性的重要意义。建立一种基于驾驶行为意图识别的前方车辆轨迹预测模型,利用自动驾驶汽车超视距获取信息以及强大的处理能力,以历史轨迹数据为主要特征信息,预测前方车辆未来轨迹,并对预测结果进行评价,从而为自动驾驶汽车的规划决策研究提供了有意义的参考。本文的研究内容及成果主要有以下方面:（1）从感知和决策层面分析了自动驾驶与人工驾驶的区别,指出人机混驾背景下,不规范的人工驾驶行为是预测前车轨迹的关键问题,主要涉及换道和转向场景。对现有自动驾驶数据集进行了较为全面地调研,并对Waymo和NGSIM数据集进行了解析,总结发现大多数自动驾驶数据集面向视觉识别和多源传感器融合技术,缺少足够的交通流信息。考虑到研究交通场景适用性,选取NGSIM数据集并进行预处理。（2）本文结合自动驾驶汽车的工作机制以及车路协同下自动驾驶汽车信息获取超视距的特点,基于长短时神经网络LSTM构建了前方车辆轨迹预测模型,根据特征信息差异定义了多种类型的预测模型,研究发现除了基本的位置信息外,加入历史轨迹中的特征信息速度差、车头时距能够明显增加车辆轨迹预测模型的实际效果;加入具有交互性质的特征信息能够使模型预测效果更佳拟合实际道路情况。结果表明本文提出的TC-LSTM模型在评价指标上表现更出色。（3）针对TC-LSTM模型缺乏车辆间交互以及缺少对驾驶行为的考虑,提出了一种基于驾驶意图识别的车辆轨迹预测DNN-LSTM模型。采用DNN网络对驾驶行为意图进行识别,并将驾驶意图作为特征输入,结合前车历史轨迹特征信息,预测前方车辆的运行轨迹。研究得到DNN-LSTM模型中LSTM神经元数量与模型效果的关系,并分析了不同预测时域下,模型的预测效果。结果表明本文提出的DNN-LSTM预测模型能够在误差较小的范围内预测4s内的前车未来轨迹。