行人轨迹预测是指根据给定场景中行人在一个历史时间段内的运动轨迹,预测他们的未来轨迹,它对自动驾驶、机器人导航和智能监控系统等应用具有重要意义。行人轨迹预测任务面临的挑战主要有三方面:首先,行人之间存在着复杂的社会交互,预测目标的运动轨迹容易受到周围行人的影响。这种交互关系不止存在于两个行人之间,且不同行人对预测目标的影响程度也不相同,因此难以使用某种固定的规则建模行人之间的交互关系;其次,行人的运动轨迹会受到周围环境的影响,行人在运动过程中要避免与路灯、树木等障碍物发生碰撞。因此,合理地利用场景信息十分重要;最后,未来轨迹的预测依赖于模型从轨迹数据中提取出的行人运动的时空特征。随着时间的推移,预测目标与周围行人产生的交互作用不断变化并对其未来轨迹造成连续的影响,因此行人在每一时刻的空间交互特征也存在时序依赖关系。这使得如何从轨迹数据中提取出有判别性的时空特征也是一个难点。针对以上问题,本文提出了两种新的轨迹预测方法:（1）基于时空超图卷积的轨迹预测方法（ST-HGCNN）。该方法创新性地将超图卷积引入行人轨迹预测任务中,能够有效地建模行人之间复杂的交互。相较于使用传统图结构建模行人轨迹的方法,ST-HGCNN不仅可以编码行人之间的高阶相关性,而且在建模不同类型的交互关系时更加方便。ST-HGCNN中设计的两个核函数考虑了行人的速度大小、方向和行人之间的相对距离,可以有效地模拟行人之间的同行关系和避碰关系。在行人轨迹数据集ETH-UCY上的实验结果表明,ST-HGCNN的预测结果相比于Social-STGCNN在ADE指标上提升了 2.2%,在FDE指标上提升了 8%。除此之外,在车辆轨迹数据集VTP-TL上的实验结果表明,该方法同样适用于车辆轨迹预测任务且预测结果在ADE/FDE指标上均优于其他对比方法。（2）基于融合超图注意力的长短期记忆神经网络的轨迹预测方法（HGA-LSTM）。为了从轨迹数据中提取出更具有判别性的时空特征,本文将循环神经网络和超图卷积神经网络融合为统一的结构。HGA-LSTM的输入、隐藏状态和记忆细胞都是超图结构数据,且三个门控单元全部使用超图卷积处理输入信息和隐状态,因此隐状态和记忆细胞能够在包含时序动态特征的同时,携带空间交互特征。此外,HGA-LSTM在超图卷积中加入了注意力机制,用于计算不同行人对预测目标的影响程度。HGA-LSTM中的特征增广模块利用卷积神经网络和注意力机制提取场景特征,将场景特征与行人原始特征进行融合并利用LSTM消除两种特征之间的尺度差异。在行人轨迹数据集ETH-UCY上的实验结果表明,相比于Social-STGCNN,HGA-LSTM的预测结果在ADE指标上提升了 9%,在FDE指标上提升了 13.3%。在车辆轨迹数据集VTP-TL上的实验结果表明,该方法的预测结果在ADE/FDE指标上均优于其他对比方法。