随着生活水平的提高,人们对安全、舒适、高效的出行提出了更高的要求,进而催生了智能驾驶、辅助驾驶、智能导航等应用系统,它们旨在利用先进的信息技术、传感器技术和智能处理技术等,分析周边道路参与者的现状和意图,进而提前规避风险、选择高效出行路线。而对移动目标高精度的轨迹预测是推进这些先进应用系统发展的关键技术,已成为研究热点。目前轨迹预测的研究方法中,一种是通过挖掘交通参与者的信息,例如速度、位置等对目标轨迹进行预测。将人群中破碎的或未观察到的个体轨迹连接起来获取参与者之间的相互关系,达到轨迹预测的目的。但该方法未考虑交通场景上下文对目标移动的影响。另外一种方法是通过神经网络将场景信息（例如道路、人行横道等）与参与者信息（如汽车、行人等）进行联合建模,最终获得目标轨迹预测结果。但它只关注场景内容的解析,忽略了不仅交通参与元素影响目标移动,其位置也会影响目标移动。在现有研究的基础上,为了提高轨迹预测精度,本文提出一种基于场景时空解析的轨迹预测模型。具体而言,首先对感知场景进行网格化,利用卷积神经网络提取每个网格的深层语义特征,然后将每个通道网格构成图网络,通过图卷积神经网络,挖掘感知场景空间语义特征。该方法不仅能够解析交通场景语义特征,还挖掘其空间的关联性,为目标所处场景提供了更精准的解析。此外,考虑到场景的时序信息同样会对轨迹预测产生影响,在场景空间语义解析的基础上,还提出了动态场景建模方法,即将连续多帧感知场景的空间语义特征进行融合,获得当前帧的时空解析特征。最后通过建立场景解析与预测轨迹的端到端模型,得到目标轨迹预测结果。通过在斯坦福无人机数据集（SDD）上进行了大量实验,实验结果表明,本文提出的模型相较于Sophie、Desire等当前先进的轨迹预测模型,在ADE和FDE两项指标上均有所提升。