近年来,轨迹预测任务已成为计算机视觉和无人系统领域的研究热点之一。在日常驾驶环境下,被预测车辆或行人的行为不仅与自身的历史轨迹有关,很大程度上还会受到周围其他目标的影响。因此,如何更有效地编码智能体之间的相互作用在轨迹预测任务中起着举足轻重的作用,与此同时交通背景对轨迹的限制也给轨迹预测任务带来了很大挑战。本文针对交通参与者轨迹预测中的交互关系建模这一问题,首先提出了一种基于轨迹聚类的交互关系图构造方法来提取行人之间的交互特征。由于行人的行为具有群体性质的特点,本文首先对行人的轨迹进行谱聚类,寻找轨迹之间的相似运动模式信息。然后,通过对聚类结果和行人运动角度的分析,构建了每一帧的交互式关系图。最后,将交互关系图与行人的相对距离图融合,对行人轨迹预测中的交互式社会关系进行编码。在公开的行人轨迹数据集ETH和UCY上进行了训练测试,得到的结果说明本方法能够有效表征行人之间的交互关系,从而产生更加精确的预测轨迹。现实交通场景往往有多种交通参与者,由于难以对不同类道路参与者之间复杂的交互关系和动态道路语义关系进行建模,因此具有挑战性。本文提出了一种用于异构道路智能体轨迹预测的风险和场景图（RIsk and Scene Graph,RISG）编码方法。该方法包括一个从交通参与者类别及其可移动语义区域方面可学习的异构碰撞风险图,以及一个用于建模交互规则和道路布局结构的道路语义层级场景图。异构碰撞风险图将各种道路交通参与者分组,并根据自定义的碰撞风险度量计算它们的交互邻接矩阵。通过推断道路属性及其拓扑关系,建立了驾驶场景的层级场景图。基于此方法,模型可以在驾驶情况下获得更具有解释性的轨迹预测。选取nu Scenes数据集、Apolloscape数据集以及Argoverse数据集上进行了详尽的实验,其结果证明此方法可以提高异构交通参与者的轨迹预测精度,展示了优于其他现有方法的性能。