目前自动驾驶系统中运用的决策技术虽然可以使智能车辆完成大部分的独立决策任务,但是随着车辆和任务数目的大幅度增加,实际交通环境的复杂性也日益增强,面对多任务并行执行时系统仍然难以应对目前车辆的实时决策需求,特别是在车辆路径规划、辅助驾驶以及危险紧急回避等方面的实时性能保证仍存在空白。为了大幅度提升智能车辆在多任务并行环境下的决策性能,需设计面向大规模交通系统的实时决策方法,进一步考虑系统中不同种类任务间的相互干扰而带来的决策冲突,本文结合自动驾驶系统的高效计算能力,重点研究面向多任务的动态决策算法来实现自动驾驶系统的实时决策问题。本文首先对自动驾驶系统的基本概念和系统架构进行了阐述,并展开说明了目前自动驾驶系统中多任务并行的实时决策方面的缺陷,并进一步分别基于嵌套神经网络和多粒度决策理论提出如下解决方法:1)通过构造动态嵌套神经网络根据决策任务的属性在线调整学习模型的结构,以满足任务动态分配的训练要求。然后结合马尔可夫决策过程设计了一种任务动态卸载（MTDO）算法并部署在该嵌套神经网络中,该算法可以自适应地实时调整多任务并行卸载策略以获得高质量的决策结果。最后本文进行了仿真实验,对所提出的算法进行了评估,结果表明MTDO算法在自动驾驶系统中的实时决策有着良好的表现。2)基于多粒度决策理论设计了多任务并行的多粒度实时决策（MPMCD）模型,该模型通过多粒度信息结构来提高决策过程的知识发现能力,并结合序贯决策理论构建支持多任务并行的神经网络,使自动驾驶系统中的决策进一步适应模糊的信息来源。然后结合深度Q学习思想提出一种基于该模型的多任务并行协同实时决策（SDMPRD）算法,以支持多任务并行的车-路-云协同实时决策。仿真实验通过与MTDO算法对比并对该算法的决策性能标准进行了评估,结果表明SDMPRD算法在模糊环境下决策响应时间、精度以及成本方面都优于MTDO算法。