随着汽车保有量的日益增长,道路交通事故也越来越多。其中因驾驶员无法及时有效地进行决策而造成的事故占多数。智能汽车决策技术能显著减少因人为决策不及时而引发的事故,从而提高道路安全。因此,开展智能车辆决策技术研究具有十分重要的意义。本文针对传统的端到端决策网络模型特征提取能力弱、收敛慢等问题,研究了以车载前视摄像头采集的行车图像为输入,以车辆方向盘转角、车速为输出的改进智能车辆端到端决策技术。主要研究内容如下:（1）建立了Pilot Net传统端到端决策基线模型:总结了端到端决策方法框架及现状原理。构建了UDSD（Udacity仿真平台采集）数据集和Comma2k19数据集,用于模型研究与对比。建立了Pilot Net传统端到端决策基线模型。结果表明,Pilot Net在测试集上的误差较低且预测结果曲线分布符合人类驾驶的标签曲线,验证了Pilot Net端到端决策模型的有效性,可用作后续改进方法对比的基线模型。（2）提出了基于图像特征加强的端到端改进决策模型:针对传统端到端决策网络Pilot Net的特征提取能力弱、收敛慢等问题,提出了三种基于图像特征加强的端到端改进决策模型:1)基于迁移学习的端到端决策模型（VGG-Drive Net、Inception V3-Drive Net）。通过将预训练模型特征提取层与新的全连接层进行合并,实现快速收敛的决策模型;2)基于道路特征加强的车辆决策模型（RAMAFLANet）。将预训练的道路语义分割网络作为辅助分支,以加强决策网络输入的道路特征值;3)基于分类特征映射增强的车辆决策模型（CAMA-FLANet）。将分类激活映射网络作为辅助分支,以加强决策网络输入的分类特征信息。在相同数据集下进行了评估及分析。试验评估表明,三种基于图像特征加强的决策模型,在测试集上预测结果均有不同程度的提升。表明基于图像特征加强的改进算法能够增强网络特征提取能力并提升模型预测性能。（3）提出了基于LSTM的智能车辆改进决策算法:针对上述端到端卷积决策模型未考虑时序性信息,预测结果易震荡这一问题,提出了卷积网络模型与LSTM网络融合的改进算法,在相同数据集上与纯卷积网络方法结果进行对比分析。试验表明,采用卷积网络与LSTM网络融合的模型在测试集上性能均有提升,测试的均方根误差（RMSE）和方差均降低。该融合方法保留了卷积网络的高效预测和时序信息,输出结果更加平滑。（4）实现了决策模型可视化及实时仿真驾驶试验:为了从不同维度评估决策模型,利用单层特征图和多层特征图融合对以CAMA-FLANet为例的卷积模型进行了可视化处理,可直观表达出模型特征提取的意义。并在Carla驾驶仿真平台中进行车辆在环仿真驾驶试验,验证了以CAMA-FLANet+LSTM为例的融合模型在实际驾驶场景中的有效性。结果表明,CAMA-FLANet+LSTM决策模型能在无人工干预条件下较好地完成测试路段的实时自动驾驶,期间跨越实线3次、接触路沿1次、碰撞0次。