随着社会的发展与进步,智能交通系统得到了迅速发展,其中智能车辆作为主要交通参与者,引起了研究者的广泛关注。环境感知是智能车辆实现无人驾驶的重要前提,前方车辆的行为识别作为其关键一环承接传感器信息,对周身车辆运动情况进行识别,帮助本车做出决策,在无人驾驶中起到承前启后的关键作用。本文针对复杂环境下智能车辆前方车辆的类别、状态及行为为具体研究对象,进行前方车辆行为识别,并通过自然环境下采集的数据对系统性能进行验证。首先,基于卷积神经网络对复杂环境下前方车辆进行识别。为满足车辆目标检测的实时性和准确性的要求,基于tiny-YOLOv3算法,通过增加网络宽度与检测尺度,解决了较小车辆目标检测准确率低的问题,实现复杂环境下的实时车辆检测。实验结果表明,相比传统的tiny-YOLOv3方法,改进的tiny-YOLOv3满足实时性要求,并且网络模型体积更小,目标检测准确率更高,能有效识别复杂场景中的车辆目标。其次,基于核相关滤波算法(Kernerlized Correlation Filter,KCF),结合Kalman滤波与匈牙利匹配算法对复杂环境下的多个车辆目标长期跟踪。为克服运动车辆跟踪中目标被遮挡时的跟踪不稳定问题,采用Kalman滤波器对被遮挡车辆的位置进行预测,并利用匈牙利匹配算法匹配检测与跟踪目标,实现前方车辆的多目标长期跟踪。实验结果表明,Kalman滤波和KCF相结合的方法能够实现复杂环境下车辆目标的准确跟踪。最后,基于长短时记忆网络(Long Short-Term Memory,LSTM)对前方车辆进行行为识别。为了解决车辆行为识别准确率低、延迟大、识别对象单一的问题,本文利用车辆检测和跟踪的结果,获取车辆运动轨迹与车辆目标检测框的尺寸。以上述运动特征作为车辆行为分类的基本特征,并输入LSTM网络建立时间序列模型,通过输出的预测得分完成车辆行为识别。实验结果表明本文方法训练的车辆行为识别模型平均分类准确率达92%,可有效识别前方多个车辆的多种行为,与现有目标行为识别算法相比更有优势。本文旨在对智能车辆前方车辆的行为识别方法进行研究,所得结果可对智能车辆的环境感知与智能决策部分提供一定的参考。