运动目标行为分析是无人车研究的难点问题，本文着眼于提高无人车复杂环境下的场景理解能力，以相关性表示为切入点，开展运动目标行为分析方法研究。论文的主要研究成果和创新点如下：
　　1.提出一种基于时空显著性的级联相关滤波算法。该算法深入研究序贯图像中的目标行为特性，利用相关滤波方法对目标行为特征进行在线建模，并针对相关滤波算法固有的边缘效应问题，研究多层次特征的级联表示，利用高层次特征表示整体语义，提升了关联的鲁棒性，利用低层次特征描述局部细节，提升了关联的准确性；引入显著性语义，有效缓解了序贯目标关联中的非刚体形变问题。所提算法在多个国际公开数据库上与国际主流算法进行对比实验，实验结果显示，算法准确率和鲁棒性均优于国际主流算法。
　　2.提出一种基于结构语义信息的背景自适应相关滤波算法。为了获得稳健的模型表示，利用显著性扩展矩阵改进相关滤波算法，该方法能够在引入更多背景信息、提升鲁棒性的同时降低边缘效应的影响；针对深度卷积特征语义信息量与分辨率的矛盾，研究结构语义表示，以图论和非负矩阵分解理论为基础，提出一种结构化压缩的语义表示，获得具有结构语义信息的高分辨率特征；针对特征选择问题，在结构化压缩特征的基础上，提出一种基于稳定因子的自适应特征选择方法，使得关联模型能够在线选择稳定的特征表示，有效缓解了关联目标的遮挡问题。国际公开数据库上的定量和定性实验验证了所提算法在准确率和鲁棒性方面优于国际主流算法。
　　3.提出一种基于最小费用流的多信息融合目标关联算法。针对多目标局部稳定关联问题，开展多目标局部相关性表示方法研究，建立一种多信息融合的目标局部相关性表达，能够有效表示目标的表观和形状特征；针对多目标关联的全局优化问题，开展多目标全局优化模型研究，在目标局部相关性表达的基础上，利用最小费用流方法对多目标关联问题建模，所提算法能够有效关联多帧中的多个目标，在国际公开数据库KITTI上排名第三。
　　4.提出一种基于历史帧关联的运动目标行为分析算法。根据运动目标轨迹特征区分目标行为类别，为目标检测和路径规划提供先验；在目标行为分析的基础上，利用定点感知算法对主流的基于深度学习的图像检测算法进行增强，实验表明，所提算法能有效解决主流算法在小目标检测方面的缺陷。