随着智能设备的普及和互联网技术的快速发展,近年来出现了许多基于位置的服务,因而产生了大量实体（例如行人、车辆和无人机）的轨迹数据。这些数据中包含了许多有价值的信息,例如实体的位置、速度、加速度等。通过进一步挖掘和分析轨迹数据,可以提取出更多潜在的特征信息并且进一步应用于多个研究领域的相关任务,尤其是在自动驾驶中;它可以用于提高预测周围实体未来轨迹的能力,从而辅助目标车辆做出安全和有效的下一步动作。然而现有的轨迹预测方法往往不能提取出车辆在真实移动环境中的多尺度特征表示,所以预测的未来轨迹和车辆的真实轨迹之间存在较大的偏差。因此,本文在现有的轨迹预测方法的基础上,提出了两种新的车辆轨迹预测模型,它们可以有效地提取到车辆的时空特征和移动特征,从而更好地表示出车辆的移动状态和生成更加准确的未来轨迹。本文的主要工作和创新点如下:（1）提出了一种基于时空注意力机制的车辆轨迹预测模型。该模型在基于LSTM的编码器-解码器的基础框架上,利用一个基于图注意力网络的空间注意力模块提取邻居车辆之间的空间交互关系;然后,使用一个特征融合模块将提取到的全局空间特征和移动特征融合起来,以得到目标车辆在任意时刻的综合特征表示。最后,使用时序注意力机制为不同历史时刻的特征向量分配合适的权重值,以捕捉各个时刻的综合特征在时序维度的相关性和对预测未来轨迹的不同作用。（2）提出了一种基于图卷积和时序卷积网络的车辆轨迹预测模型。该模型首先使用图数据结构来表示车辆间的相互关系,然后使用一个空间图卷积网络提取到车辆在空间维度的交互关系,再利用一个时序卷积网络去捕捉这些局部空间特征的时序依赖关系,从而得到车辆的全局时空特征表示。最后,将它们和利用LSTM提取到的全局移动特征一起输入到基于GRU的解码模块中,生成多条车辆可能的未来轨迹。本文使用NGSIM和highD车辆轨迹数据集来验证两种新模型的有效性和优越性,实验结果表明与现有的几种轨迹预测方法相比较,所提出的模型在预测准确性上有一定程度的提升。同时,我们还验证了模型二相较于模型一,具有更小的参数规模和更快的轨迹预测速度。