随着自动驾驶车辆上路测试,暴露出一些突出问题。如在感知方面,由于真实交通环境复杂多变,越来越复杂的感知算法,使得在进行目标跟踪时易出现不稳定现象,导致对场景信息的错误理解;在行为预测方面,目前自动驾驶车辆的驾驶行为过于保守,不具备与他车进行交互的能力。针对以上问题,本文从车辆目标跟踪系统的设计、交互目标选择、交互行为预测等方面对自动驾驶车辆相关技术进行研究。（1）车辆目标跟踪系统设计。对跟踪系统的坐标系进行选择,设计了跟踪的数据关联算法、基于匀加速（CA）运动模型的无迹卡尔曼滤波（UKF）跟踪算法,以及轨迹的管理规则。通过仿真和实验的方式,对所设计的目标跟踪系统的有效性进行了验证。结果表明,所设计的车辆目标跟踪系统能够有效解决传感器在目标跟踪时存在的误检和漏检问题,提高跟踪的稳定性;当目标进行曲线变加速运动时,也能获得良好的跟踪效果。（2）车辆交互目标选择。为了提高自动驾驶系统工作的实时性、稳定性和有效性,对车辆间是否存在交互作用进行判断,以滤除跟踪系统返回的不重要的跟踪目标。基于对人类驾驶员交互车辆目标选择行为的分析,以轨迹分类和风险评估为依据,针对交叉口场景建立了面向自动驾驶车辆的交互目标选择方法。对于轨迹分类,分析了豪斯多夫（Hausdorff）距离、时间规整算法（DTW）和最长公共子序列（LCSS）在进行轨迹分类时的有效性。结果显示,最长公共子序列具有优异的分类性能,准确率可达82.25%。对于碰撞风险评估,基于道路结构建立了行车参考路径,在Frenet坐标系中表示车辆的位置和状态,将车辆的相对位置关系和碰撞时间作为是否存在交互的判断依据。在真实的交通流数据上对所建立的车辆交互目标选择方法进行了验证,结果显示,选择出的车辆交互目标较为合理。（3）车辆交互行为预测。为了使自动驾驶车辆具备与人类驾驶员相似的场景预测能力,以实现在交互场景中与人类驾驶员协作驾驶,采用深度生成模型条件变分自编码器（CVAE）对人类驾驶员的行为预测能力进行建模。分析了使用CVAE进行建模的合理性,建立了基于CVAE的车辆交互行为预测模型。使用真实交通场景中的车辆交互数据,并将其转换到Frenet坐标系中对模型进行了训练。测试结果显示,所搭建的行为预测模型具有良好的预测精度,且预测结果考虑了人类驾驶行为的不确定性;使用Frenet坐标系描述车辆运动状态,使得行为预测模型具有良好的泛化性。比较了考虑和不考虑交互目标车辆的行为预测结果,结果显示,当考虑交互目标车辆时,行为预测更加准确合理。