车辆自动驾驶技术已经成为汽车行业的研究热点,自动驾驶汽车能否准确感知周围交通态势,并迅速且合理地做出决策是自动驾驶技术面临的关键问题,交通参与者的轨迹预测是连接自动驾驶汽车感知和决策的中间环节,根据自动驾驶车辆感知得到的周围交通数据预测交通参与者未来一段时间内的轨迹是本文研究的主要内容。城市交通状况往往非常复杂,包括小型车辆、大型车辆、非机动车辆以及行人等各类交通参与者。目前,城市工况下的多类别参与者轨迹预测仍是一项具有挑战性的问题。本文为了解决多类别交通参与者轨迹预测算法精度不高、输出方式不灵活、预测效率低等问题,提出了一个模块化深度学习模型,包括数据前处理模块、特征提取模块、轨迹预测模块,具体的研究工作如下:（1）数据前处理模块,包括轨迹预处理、交通参与者重新分类两个部分,其中交通参与者重分类的特点在于使用了模糊聚类算法FCM解决原始类别没有考虑参与者运动特性的问题,将参与者分为激进、平稳、保守三个类型;轨迹预处理部分总结了片段采样、异常识别等数据处理流程;（2）特征提取模块,它包括交互特征提取和时序特征提取两个部分,分别使用了图卷积神经网络GCN和卷积神经网络CNN的方法交替提取两类特征,我们对图卷积的对象交互图构建作了改进,融合了近距离交互图和视距内交互图;（3）轨迹预测模块,它是面向3个类型交通参与者的3套编码器解码器循环神经网络模型（Seq2seq）,用来解决轨迹数据多输入多输出的问题,作者使用了包含LSTM神经元和GRU神经元的编码器解码器模型进行了对比,结果表明GRU模型预测效率优于LSTM模型;（4）本文使用了Apollo Scape轨迹预测数据集进行了验证和几组对比实验,结果表明,本文提出的模型的预测效果优于传统方案,提高了多类别交通参与者轨迹预测的准确率;改善了原始分类没有考虑运动特征、轨迹特征难以提取、轨迹输出效率低等问题。