近年来,随着我国人、车、路等交通要素的高位增长,道路交通安全问题也愈发的引发关注,可以有效改善道路交通安全问题的智能车辆已成为研究热点,如何使车辆智能的做出决策控制是智能车辆技术的研究重点。本文从智能车辆转向决策控制技术出发,提出了一种基于深度学习的智能车辆转向决策方法。本文的主要研究内容如下:首先,本文设计一种智能车辆转向决策方法,该方法将车辆转向决策问题转化为已知环境信息和车辆转向状态信息来预测车辆未来转向决策的问题,通过设计端到端智能车辆转向决策系统,将道路图像序列和方向盘转向角度序列作为系统的输入,由系统内的决策模型直接输出车辆转向决策值。其次,本文提出一种基于深度学习的智能车辆转向决策算法模型,该模型为一种编码器——解码器网络架构,其中,编码器对输入的道路图像序列和车辆方向盘转向角度序列进行编码,解码器对编码后的特征信息进行融合并求解车辆转向决策值。受人类驾驶员视觉注意力和大脑记忆力的启发,本文设计了一种基于卷积长短期记忆网络（Convolutional Long Short-Term Memory Network,Conv LSTM）的空间注意力模块和基于压缩激励网络（Squeeze-and-Excitation Networks,SE-Net）的时间注意力模块,并将该模块嵌入视觉编码器中,以增加模型对道路图像中关键空间信息的关注度以及图像序列中关键时间步信息的关注度,忽略其他无用信息的干扰,进而提高模型在环境因素时变的道路中的表现效果。然后,本文基于comma2k19公开数据集制作实验所需数据,并使用Tensorflow深度学习框架完成算法模型的搭建。利用网格搜索方法,完成了模型的调参过程,通过与经典模型的对比试验,定性和定量的验证模型的决策性能。利用不同样本数量的训练集训练提出的决策模型,分析训练集样本数量对决策模型性能的影响。最后,通过对决策算法模型的中间变量——空间注意力和时间注意力进行可视化实验,进一步解释模型的学习能力及决策机制,展示模型决策时的内部计算过程。