自动换道是智能汽车驾驶中的一类重要场景,不合理的换道往往是产生交通拥堵、造成交通事故的重要原因。针对动态交通环境下自动驾驶汽车主动换道决策中非线性特性研究不充分、决策精度不高、换道轨迹规划算法对道路形状依赖性强及安全性不高等问题,本文基于深度学习,开展动态环境下自动驾驶汽车主动换道决策和换道轨迹规划研究,对换道决策中的非线性特征进行了深入研究,提高了换道轨迹方法的通用性和安全性。本文主要研究内容如下:（1）为了探明各影响因素对换道决策的重要程度,采用极致梯度提升（XGBoost）算法对各影响因素在换道决策中的重要程度进行量化分析,探明了各特征变量在换道决策中的重要程度。利用下一代仿真（NGSIM）数据构造换道决策数据集,由于NGSIM数据中含有大量噪声信息,首先使用局部加权散点平滑（LOWESS）算法对位置、速度、加速度进行滤波处理,然后进行换道决策变量的提取,最终构造了换道决策数据集。（2）利用深度学习对非线性特征强大的提取和拟合能力,提出基于循环神经网络变体长短时记忆（LSTM）和门控循环单元（GRU）的换道决策模型,并与反向传播（BP）神经网络、传统机器学习算法-支持向量机（SVM）及随机森林（RF）构造的换道决策模型进行对比。提出基于顺序模型全局优化（SMBO）的超参数调优方法,获得换道决策模型的最优超参数,解决了机器学习算法调参过程复杂、繁琐,且无法保证参数全局最优性的问题。结果表明,在准确率、接收者工作特性（ROC）等指标方面,基于LSTM的换道决策模型都具有优异的表现,测试集上准确率可达到97.71%,基于GRU的换道决策模型表现与基于LSTM的换道决策模型效果相近,在测试集上准确率可达到97.64%,均优于对比所采用的现存算法。（3）考虑换道轨迹规划算法在不同道路形状的适用性和通用性,本文研究了Frenet坐标系和笛卡尔坐标系的转换方法,并提出基于五次多项式的换道轨迹规划方法。采用深度学习的方法对周围车辆的运动状态进行预测,考虑未来的交通状态进行换道轨迹规划,并基于Gipps避撞模型,提出了换道轨迹规划的终点安全区间,从而避免了换道过程中存在的潜在碰撞,进一步提升了换道过程的安全性。基于换道轨迹终点安全区间和五次多项式轨迹规划方法,提出了以安全性、舒适性和效率为约束条件和优化目标的多目标优化换道轨迹规划方法,并采用内点法对换道持续时长进行求解。（4）设计Stanley控制器和PID控制器用于路径和车速的跟踪控制,搭建Car Sim和Simulink联合仿真实验平台,并基于真实交通流数据设计了正常和拥堵交通流下的两个弯道换道场景,验证所提换道轨迹规划和轨迹跟踪控制算法的效果。仿真结果表明,所提换道轨迹规划和跟踪控制算法在正常和拥堵交通流下都可以顺利完成换道,且基于预测的换道轨迹规划方法在换道过程中可以与目标车道后车TR保持更大的距离,正常交通流换道场景下与车辆TR的最小距离由3.84 m提升至15.53 m,拥堵交通流换道场景下与车辆TR的最小距离由7.16 m提升至7.92 m。