行人轨迹预测是计算机视觉领域的一个热点方向,在无人驾驶、智能交通、智慧城市和机器人自动导航等领域具有较为广泛的应用。基于传统统计模型的方法受限于人工确定的行人运动特征,并且缺乏在复杂拥挤环境中能通用的模型。近年来,基于深度学习的轨迹预测模型,凭借高效的特征提取方法、出色的可移植性、应用面广等优势而成为主流,但现有研究工作仍然存在两点不足:行人运动的不确定性对行人轨迹预测十分重要,然而大多数基于深度学习的轨迹预测方法在预测未来轨迹时,未做全面的考虑;场景信息对行人轨迹预测十分重要,然而现有方法很少考虑场景信息对轨迹预测带来的影响,从而影响最终的预测结果。本文研究考虑端点条件和场景信息的行人轨迹预测方法,主要工作如下:1)综述了现有行人轨迹预测方法,特别是基于深度学习的方法,并总结分析了这些方法的优缺点。2)提出一种基于生成对抗网络的端点条件轨迹预测模型（PECGAN）。PECGAN模型通过预测行人未来轨迹端点,降低了运动不确定性对轨迹预测的影响,从而使模型聚焦在轨迹预测任务上。首先,通过CVAE生成预测轨迹端点,将预测轨迹端点特征和行人过去轨迹特征融合。然后,利用自注意力机制对建模行人之间的社交互动,通过得到的社交互动特征推断出未来轨迹。实验结果证明了PECGAN模型的有效性和预测性能的优越性。3)提出融入场景信息的端点条件轨迹预测模型（PECGAN++）。该模型在PECGAN模型的基础上进行改进,并通过将行人的社交互动与场景信息融合来预测行人的未来轨迹。首先,利用自注意力机制提取行人过去轨迹之间的社交互动特征,将得到的社交互动特征通过CVAE生成预测轨迹端点。然后,通过卷积神经网络提取场景信息,将场景信息、行人之间的社交互动特征以及预测轨迹端点特征融合,共同推断出未来轨迹。实验结果表明,考虑场景信息后,PECGAN++模型能够准确地预测行人未来轨迹。