本文对深度学习技术在目标轨迹预测中的应用问题进行研究,将整个算法的框架分为轨迹提取与轨迹预测两部分。其中,轨迹提取模块包含目标检测、多目标跟踪两部分算法内容。在多目标跟踪方面,本文构建了一套多目标跟踪流程框架,并提升了目标外观特征的鲁棒性。针对轨迹预测问题,本文分别对监控场景与移动驾驶场景两种情况进行了研究,设计了不同的编码、解码结构对轨迹进行建模及预测,提升了轨迹预测算法的准确率。在多目标跟踪方面,本文设计了一套跟踪算法框架。为了提高目标外观特征的鲁棒性,本文对特征提取流程进行了改进:为了解决训练样本较少且数据分布情况较为单一的问题,本文将多个数据集进行整合,对特征提取网络进行训练;为了使网络对特定应用场景更有效,本文利用DGD(Domain Guided Dropout)层对网络进行微调,为了使特征更加鲁棒,本文使用度量学习的方法,将特征映射到特征空间中,使得此空间中同一目标的特征更为相似。本文提高了外观特征的表达效果,以此来提高多目标跟踪的精确度。在轨迹预测方面,本文分别对监控场景和移动驾驶场景两种情况进行了研究。针对监控场景,本文提出了一套包含两条信息通路的编码、解码结构。首先,使用基于长短时记忆网络的编码器对历史轨迹进行建模,同时引入注意力机制,使得对于当前阶段预测更有效的信息能够获得更高的权重。然后,在模型中加入了目标分布编码器,使得算法在对目标的运动轨迹进行预测时,还可以分析目标周围物体的分布对当前目标运动轨迹的影响。针对移动驾驶场景,本文又在监控场景模型的基础上增加了基于卷积神经网络的环境特征编码器对目标周围的环境信息进行建模,解决场景中目标的运动与环境的交互问题。结合三条信息通路,使得移动驾驶场景轨迹预测的结果更为准确。针对多目标跟踪与轨迹预测模块,本文进行了大量定性及定量分析,证实了本文改进的多目标跟踪算法与轨迹预测算法可以取得较优的结果。