根据图像或视频来分析理解目标的行为与活动,是目前计算机视觉领域的一个重要研究内容。复杂场景下的智能体轨迹预测,则是该研究内容中的一个新颖且重要研究分支。研究复杂场景下智能体的轨迹预测,一方面有助于理解各式各样的动态复杂场景,反应场景内容及其动态变化规律;另一方面为研究场景中目标的活动带来了帮助,从而为后续个体行为分析提供有力的技术支持。然而,轨迹预测的场景复杂多变,且预测目标的活动存在着多样性。因此,轨迹预测仍然在智能体交互关系的建模表征、以及智能体的运动状态和行为模式的刻画等问题中存在着诸多挑战。具体地,智能体在不同预测场景下交互偏好的差异,使其不同预测场景下的交互表征呈现出明显的分布差异,从而使预测模型在建模智能体交互时面临语义漂移的问题。此外,智能体行为风格的多变性和随机性也为预测带来了不确定因素,而现有大多预测算法均使用单一的行为风格进行预测,忽略了智能体行为的多样性。本文针对上述两个问题展开研究,主要研究内容包括:（1）针对智能体交互关系的建模表征中存在的语义漂移问题,提出基于自适应交互表征的轨迹预测算法。该算法提出基于智能体交互语义的中间交互表征,使用相同且不受预测场景影响的结构化表示方法描述智能体的交互行为,自适应地提取智能体共同的交互偏好,从而减轻语义漂移问题对其交互建模带来的影响。（2）针对先前大多轨迹预测算法均以单一的行为风格进行预测的问题,提出基于多行为风格的轨迹预测算法。该算法设计了一种自适应的轨迹分类策略,学习智能体呈现出的多种行为风格。进一步,算法以多行为风格的方式,实现智能体运动状态和行为模式的类别化分析,从而给出具有显著行为风格差异的预测轨迹。提出的方法在两个公共数据集上均取得了更高的预测精度,能够分别处理智能体交互表征中存在的语义漂移问题及智能体行为的多风格描述问题,从而能够在多种复杂场景下预测得到更好的智能体未来预测轨迹。