近年来,由于我国居民的交通意识水平不断提高,人们对交通安全、交通效率等问题日益关切。随着自动驾驶技术的发展,上述问题将得到有效解决。在自动驾驶系统中,准确对周围车辆的运动进行预测将有助于主车做出良好决策,从而提升安全和效率。本文的主要工作为包含两个部分。1)构建了用于识别目标车辆行驶意图的IC-LSTM模型。目标车辆的行驶意图识别问题具有以下几个特点:车辆运动的时序性;车辆之间的交互作用;行驶意图的前后依赖性（当前时刻的行驶意图一定程度上依赖于上个时刻的行驶意图）。为综合考虑上述性质,本文提出了IC-LSTM行驶意图识别模型。该模型包含三个模块:输入模块、交互作用模块和意图识别模块。输入模块的作用是提取IC-LSTM模型需要的信息;交互作用模块通过收益函数对车辆间的交互作用进行建模;意图识别模块则输出识别的行驶意图。在NGSIM-US101数据集上的结果表明,本文提出的IC-LSTM模型对三种换道意图（左换道、右换道和车道保持）识别的准确率、宏观F1分数和测试集交叉熵分别为0.9164、0.8746和0.1683,优于支持向量机（Support Vector Machines,SVM）模型、隐马尔科夫模型（Hidden Markov Model,HMM）和LSTM模型。此外,IC-LSTM模型对左换道和右换道的平均换道提前识别时间分别为3.08s和2.33s,优于对比模型,能够为主车的决策提供充足的冗余时间。通过对IC-LSTM进行消融实验,本文引入的交互作用模块、注意力机制和条件随机场对行驶意图识别准确率的贡献分别为0.0132,0.0043和0.0110,验证了相关模块的有效性。在场景验证的案例中,本文提出的IC-LSTM模型在换道意图识别的准确率、稳定性和换道提前识别时间等指标上优于对比模型。2)构建了用于预测目标车辆的未来轨迹的I3AP模型。车辆的预测轨迹与该车辆当前时刻的物理状态参数（位置、速度、加速度等）、历史轨迹、行驶意图、该车与周围环境（周围其他车辆、道路结构等）的交互作用等信息有关。本文构建了I3AP轨迹预测模型,能够对上述信息进行综合建模。该模型共包含五个模块:输入模块、交互作用模块、意图识别模块、注意力模块和轨迹预测模块。输入模块提取I3AP模型需要的输入信息;交互作用模块先后构建空间交互特征、历史交互特征和未来交互特征,从而建模目标车辆及其周围车辆之间的时空交互作用;意图识别模块负责识别目标车辆当前时刻的行驶意图,并将其作为意图特征输入到下游模块;注意力模块通过加性注意力模型计算前述所有特征的重要性,并按照重要性进行加权,得到最终的编码特征;轨迹预测模块通过LSTM解码器输出目标车辆的预测轨迹。在NGSIM-US101数据集上的结果表明,本文提出的I3AP模型横向的ADE和FDE指标分别为0.1624m和0.3045m,纵向的ADE和FDE指标分别为1.4512m和4.0443m,优于基于运动学、基于高斯过程（Gaussian Process,GP）和基于LSTM的对比方法。通过对I3AP模型进行消融实验,该模型中的交互作用模块、意图识别模块和注意力模块均能一定程度上降低横向和纵向ADE误差,验证了各个模块的有效性。最后,在基于NGSIM-US101数据集的场景验证中,本文提出的I3AP模型具有较强的鲁棒性,能够较为准确地预测车辆各种意图对应的未来轨迹。