轨迹预测是智能汽车实现局部路径规划与决策的基础。车辆行驶轨迹受自身及周围车辆的历史轨迹与行驶道路交通规则约束等数据的影响。基于视觉传感器能够对智能汽车驾驶环境（静态交通场景、动态交通目标等）进行精准感知,实现道路交通布局与车辆历史轨迹的精细刻画,为轨迹预测提供准确的输入数据,从而提高轨迹预测模型的精确度,同时也能够为驾驶场景的孪生提供三维建模的基础数据。鉴于此,论文利用视觉传感器对智能汽车驾驶环境进行充分感知与理解,实现对道路的高精度分割与高维度参数提取,以及交通目标的精准检测,为轨迹预测提供准确的车辆历史轨迹与丰富的道路语义信息;其次,提出一种融合混合注意力机制的轨迹预测方法,实现车辆未来轨迹的长时精准预测;最后,基于交通场景与轨迹流动态数据,采用数字孪生技术构建一种视觉感知增强的智能汽车虚实结合测试系统。主要创新性的成果如下:（1）提出了一种融合域适应模型的道路区域语义分割与参数提取方法,不仅能够为轨迹预测提供丰富的道路语义信息,而且为驾驶场景孪生提供道路建模的基础数据。针对传统语义分割模型局限于局部轮廓特征以及平移扩展性差的缺陷,通过融合视觉空间先验信息并引入域适应技术,构建高精度、高鲁棒性的道路区域语义分割网络;为了排除前景目标对完整道路语义预测的干扰并预测细粒度道路结构布局,通过环顾目标并借助多类别道路信源数据联合监督,构建道路语义推理与参数提取模型。实验表明,基于KITTI交通场景数据集,提出的道路区域语义分割模型获得94.96%的精确度,多信源联合监督的有效性得以验证,且能够正确预测道路结构布局。（2）提出了一种融合级联注意力网络与语义引导层次树的目标检测方法,能够为轨迹预测提供准确的历史轨迹坐标点,且为驾驶场景孪生提供交通目标模型基础数据与动态交通流数据。利用注意力机制编码位置信息,设计一种基于参数共享的级联注意力网络,能够选择性的关注重要目标区域,实现快速提取车辆目标的显著特征信息;构建基于交通语义的层次语义树,将视觉特征映射到词向量空间,构造语义映射网络学习层次间的潜在关系,实现具有不同语义信息但存在细微视觉特征差距的交通目标精准分类。实验表明,基于KITTI交通目标检测数据集,提出的目标检测方法在小目标检测上的平均精确度达到了85.0%,召回率达到了92.5%,同时能够实现交通目标的跨域检测。（3）构建了一种融合时序信息的多任务联合驾驶环境视觉感知方法框架（Mad Net）,通过自监督的多任务联合优化模型,实现驾驶场景中可通行区域的获取及多种交通行为参与目标的高效实时检测。该框架以视频流中的连续图像帧作为输入,首先设计级联特征融合模块与时序特征融合模块分别实现不同帧图像之间非局部远程依赖关系的提取与特征图时序对齐匹配,并将两种特征融合模块与基于Res Net的骨干网络进行结合,从而有效挖掘连续图像帧之间的时序关联信息。再通过设计的目标检测子网络,采用关键点热图生成方法,对道路中的多种交通行为参与目标进行检测,同时通过语义分割子网络提取智能汽车的道路可行使区域,实现对智能驾驶汽车周围环境的精确感知。经实验验证,提出的算法召回率达到88%时,精确率相较于YOLOv3提高了约11%,相较于Mask R-CNN提高了约6%,相较于Center Net提高了约2.8%。（4）提出了一种基于感知增强的轨迹预测方法,能够提高轨迹长时预测的精度。通过交通力模块利用被预测车辆及其周围车辆的状态,如位置、速度、加速度,鲁棒的学习车辆运动中的动态依赖关系及司机的主观变道意图,并将其作为交通力约束输入长短时记忆网络（LSTM）,与被预测车辆的时序运动状态结合,协同提高车辆轨迹预测精度;通过混合注意力机制从时间与特征两个维度,分析历史信息与被预测信息的相关度,建立混合注意力矩阵引导模型对历史信息进行选择性重利用,解决LSTM循环递归中的信息丢失问题,减小时序预测中的累积误差,以提高模型对车辆轨迹的长时预测性能。该方法在SSD上的验证结果表明,模型不仅在预测精度方面平均提升超过37%,相较于Transformer,其模型参数量与浮点运算量也分别降低了163倍与16倍。（5）构建了一种虚实结合的智能车辆测试环境系统,利用现有测试方法的优势,将真实测试车辆动力学、交通流仿真与复杂虚拟交通场景有机结合。依托长安大学交通运输部认定自动驾驶封闭场地测试基地,通过搭建反映真实动静态交通场景的虚拟仿真测试环境,克服实车道路测试、软件仿真测试的局限性,引入数字孪生,设计了感知增强的智能车辆虚实结合测试系统,弥补现有测试方法的不足,能够满足当前智能车辆测试验证的需求。