随着智能系统的快速发展,如无人驾驶车辆、服务机器人导航、监视系统等,行人轨迹预测成为一个极具挑战性的问题。如何在高度拥挤、混乱的环境中感知、理解和预测行人的运动模式以便防止将来的碰撞变得重中之重。行人的运动不仅仅受到自身因素的影响,同时还受到周围环境的影响。针对上述问题,本文的主要研究内容如下:1.行人之间的交互是复杂多变的:单独行走、相向握手以及成群结队等,这些社交活动都会影响行人接下来的轨迹。如何将抽象的交互转变为具体的数值计算是一个复杂的问题。同时在预测阶段,预测出的行人之间也存在交互而并不是独立的轨迹,以往的研究工作均忽略了这一点。如果不能有效地对行人之间的交互进行建模,那么将会预测出错误的行人轨迹。而这对于自动驾驶等智能系统而言将会造成不可预估的危险。针对上面两个问题,本文提出一种基于图注意力的卷积长短时记忆网络模型（PTPGC）,来预测多条合理的行人轨迹。首先通过设置阈值将行人以及行人之间的交互使用动态图建模。然后使用图注意力神经网络（GAT）和时序卷积网络（TCN）提取行人的时空信息特征。最后使用卷积长短时记忆网络（Conv LSTM）迭代预测行人的将来轨迹。2.以往一些研究方法存在异步分离处理行人时空信息的问题,即只考虑到行人之间的交互而忽略了行人自身的历史信息或只考虑到行人自身的历史信息而忽略了行人之间的交互影响。同时对于一些当前预测坐标依赖于上一时间步坐标信息的方法而言,随着时间的推移,预测的轨迹与真实轨迹的偏差会越来越大。如果不能对行人的时空信息和偏差有效处理,将会导致行人之间产生碰撞等严重问题。针对上述两个问题,本文提出一种基于目标网络的图注意力网络模型（GGBC）来预测行人的多条合理轨迹。首先使用图注意力长短时记忆网络（Gat LSTM）提取行人的时空信息特征。接下来预测出行人的目标分布,最后采用基于当前状态的前向和基于目标的后向卷积长短时记忆网络（FB-Conv LSTM）迭代预测行人轨迹。3.最后针对行人的多模态运动,预测单条轨迹可能存在较大误差的问题。即对于相同的历史轨迹,可能存在多条合理可行的轨迹。本文通过对预测出的行人速度二元高斯混合分布采样得到行人的多模态轨迹预测。实验表明,与现有行人轨迹预测上的基准方法相比,本文提出的模型在两个公开的行人数据集（ETH和UCY）上预测精度更高,同时生成的轨迹更加符合社会合理性和物理条件限制。