近年来,机器人及其相关技术得到快速发展,尤其是对自由飞行运动物体的捕捉与拦截等机器人与环境交互性任务广泛应用于航空航天、智能化军事、先进智能制造以及体育运动的赛事辅助和训练中,而对运动物体的姿态及位置进行预测是机器人完成以上交互性任务的前提。本文以生活中常见的5种物体为研究对象,建立了基于长短时记忆网络（LSTM）模型和融合时空注意力机制LSTM网络模型来研究运动物体的姿态及位置预测问题。首先,本文采用Vicon运动捕捉系统通过由人来抛掷演示的方式分别采集了5种运动物体的轨迹数据,通过数据预处理的方式对轨迹数据进行增强,提高了轨迹数据的丰富性,从而构建了包含5000条轨迹的运动物体轨迹数据集,为后续基于神经网络的姿态及位置预测研究奠定了基础。然后,针对复杂物体运动过程中存在运动学模型难以建立、模型参数难以辨识且模型不具有泛化性的问题,本文建立了基于长短时记忆网络的运动物体姿态与位置预测模型,通过大量的LSTM单元来学习物体运动过程中姿态及位置的变化特征,并对模型的关键参数时间步长进行优选,使用构建的运动物体轨迹数据集对模型进行训练与测试。实验结果表明,对于5种运动物体来说,该模型均取得了较好的预测效果且满足一定的实时性。此外,考虑到不同历史时刻的轨迹信息对运动物体未来轨迹变化趋势具有不同的影响。本文建立了融合时空注意力机制LSTM的姿态与位置预测模型,即时空注意网络模型,该模型同时研究了物体运动过程中时间及空间上的依赖特性,即引入一种注意力机制来分析不同历史时刻的轨迹信息对未来时刻轨迹的影响,通过LSTM网络来学习物体运动过程中空间姿态及位置变化的特点。为了验证所建立网络模型的性能,以平均位移误差、最终点位移误差以及预测一条完整轨迹的平均时间为评价指标,将常规的线性模型和循环神经网络（RNN）作为基准模型与所提出的LSTM模型和时空注意网络模型做对比分析。实验结果表明,在构建的运动物体轨迹数据集上,本文建立的基于时空注意网络的运动物体姿态与位置预测模型具有较高的预测精度,优于其它同类的方法,但是与LSTM网络相比,预测一条完整轨迹所需要的平均时间略微增加。此外,对5种不同物体运动预测的测试结果表明,所提出的两种网络模型均具有一定的泛化性,可用于对其它具有时间序列运动特点的目标进行建模与预测。