在无人驾驶和辅助驾驶中,为实现准确、可靠的决策,关键需要实现准确的车辆轨迹预测。当前轨迹预测研究虽然在准确性上取得了显著的进步,然而无法在连续异质交通场景下实现跨场景准确一致的预测性能。为此,车辆需要具备终身学习能力,能不断累积不同场景中的知识,更新自身预测模型,从而提升轨迹预测的泛化能力。本文借助概率理论、博弈理论、谱图理论,以及机器学习方法等,通过对多智能体时空依赖关系和交互特性的表达与分析,建立了多智能体时空依赖关系差异性度量、时空交互知识记忆与融合,以及时空关联自主发现与表达系统,并应用于车辆轨迹预测研究,实现了不同交通场景下知识的记忆与融合,并利用记忆模型复述了经历场景的知识,训练得到了终身车辆轨迹预测模型,实现了跨场景准确一致的轨迹预测性能,增强了轨迹预测模型的泛化能力。为度量异质交通场景差异性,需要建立交通场景中时空依赖关系的数学表达和处理机制。本文结合概率理论和机器学习方法,利用条件分布表征时空依赖关系,并利用条件Kullback-Leibler散度表达和计算了条件分布差异性。为实现终身车辆轨迹预测,本文基于博弈理论和概率分析,探索了时空交互知识记忆与融合模型,并结合时空关联自主发现与表达系统,实现了不同交通场景下准确一致的预测性能。论文的主要工作及创新点如下:1)为实现车辆轨迹中时空依赖关系的数学表达与度量,提出了基于条件Kullback-Leibler散度的时空依赖关系差异性度量方法。该方法将时空依赖关系表达为条件分布,利用高斯混合模型近似条件分布,并利用混合密度网络模型估计模型参数,最后基于蒙特卡洛采样计算条件Kullback-Leibler散度。针对动态交通场景中时空交互特性的维度一致化表达问题,利用拉普拉斯矩阵表达场景中的时空交互特性,通过限制注意车辆数目,实现时空依赖条件的维度一致化表达,从而基于条件Kullback-Leibler散度度量不同交通场景的差异性。在公开数据集上的实验结果表明,可较好地度量不同交通场景的差异性。2)为表达和记忆交通场景中多车轨迹的时空交互关系,构建了基于条件生成对抗网络的时空交互关系记忆与生成模型。通过分析时空交互关系和时空依赖关系,提出不同的网络模型和损失函数设计,分析博弈模型和损失函数的作用,并以车辆轨迹预测为目标任务,实现交通场景中多车轨迹数据的生成。在公开数据集上的各个对比实验表明,根据时空交互关系表达方式的不同,所生成的轨迹与真实多车轨迹在定性和定量上保持了不同程度的一致性。3)为研究异质交通场景中车辆轨迹之间时空交互关系的融合机制,基于对时空知识特性的分解和记忆模型的探索,发现了时空依赖关系的表达和记忆与轨迹预测准确性之间的关联性,从而提出了基于生成复述的记忆融合方法,并应用于终身车辆轨迹预测中。针对交通场景中时空数据关联的自主发现与表达问题,基于时空关联的分解和表达,建立自主时空关联发现和表达模型,结合异质时空关系融合模型生成的记忆知识,实现全时空关联的智能表达,在不同交通场景中取得一致的预测性能,从而实现终身学习轨迹预测。在多个公开数据集构成的终身学习任务链上的实验结果表明,相比其他终身学习方法,所建立的终身轨迹预测模型可在所有历史任务中取得更低的平均预测RMSE误差和反向迁移误差,实现了更少的知识遗忘。