随着雷达、摄像头等传感器以及各类感知算法的不断发展,使得在实际环境中部署无人驾驶技术成为可能。无人驾驶的初衷是为了便利人类出行,而更重要的一点是减少人为造成的交通事故,因此安全性是一辆无人驾驶汽车首要考虑的问题。为了能够对潜在的风险及时做出评估及决策,无人驾驶汽车不仅需要实时的检测周围的环境,还需要预测周围环境的变化,包括车辆和行人。这就需要轨迹预测技术,而行人轨迹预测技术目前的研究已经较为成熟,本文将重点针对交互场景下的车辆轨迹预测展开研究,旨在为无人驾驶汽车的决策提供精确的先验信息。在实际的驾驶场景中,车辆的行驶往往受到多方面的限制,包括周围车辆、车道范围以及交通信号灯等,因此如何处理复杂场景下的环境信息成为一大难点。为解决上述问题,本文将从三个方面展开研究:（1）研究基于LSTM的轨迹预测算法。在预测车辆轨迹时,待预测车辆的历史轨迹是最为重要且直观的观测信息,在处理类似的序列问题上,LSTM能够很好地提取其时序特征。而在此基础上,如何引入车辆间的交互信息是一难点。这里将行人轨迹预测模型Social-GAN迁移到车辆轨迹预测问题上,同时提出了各种改进的数据增强算法、交互建模方法,并且在公开数据集上进行验证。（2）研究基于图片编码的轨迹预测算法。由于LSTM算法无法提取环境中的空间信息,因此考虑使用卷积神经网络,这就要求将环境信息编码为三维的张量。本文在INTERACTION数据集基础上,实现了有效信息的图片编码,包含了轨迹、车道各类信息,为模型在复杂场景下的预测提供了有力的输入信息。此外,提出使用一簇先验轨迹集合来提高预测精度,模型只需要预测先验轨迹与真实轨迹的偏移量即可。（3）研究新的模型融合方法。首先针对上述两个模型的实验结果进行分析,根据实验结果创造性地提出了基于分类器地模型融合策略,在分类器判断LSTM模型适合当前场景时输出LSTM模型预测结果;否则,使用CNN模型进行预测。经过实验验证,融合模型能够明显提升预测精度。