随着互联网技术、通信技术和人工智能的不断发展,车辆智能化水平不断提高。目前一些辅助驾驶系统已经商用,自动驾驶系统的相关研究也不断趋于完善。对于辅助或自动驾驶系统,都需要车辆基于感知的数据信息,对驾驶环境中其它车辆的未来轨迹做出预测;另一方面,在网联汽车场景中,车辆会不断向云端上报自己的实时位置,基于此云端网络可以对车辆轨迹做出预测并提供给需求车辆。然而目前轨迹预测精度不能满足辅助或自动驾驶车辆的需求。因此,本文考虑需求车辆邻近车辆的空时轨迹信息,研究了两种车辆轨迹预测模型,以支撑实际应用。第一,提出了基于多序列融合的车辆轨迹预测模型,可充分挖掘并高效融合车辆自身和环境状态信息,以提升车辆轨迹坐标预测性能。首先,利用车辆可观测时序特征,通过浅层神经网络和基于Word2Vec的预训练任务对蕴含驾驶行为上下文信息的车辆状态进行表示。其次,基于车辆状态信息,一方面可以得到车辆自身状态序列;另一方面,通过建立响应域并采用卷积等方法可以对车辆环境状态进行表示,以得到环境状态序列。进而,基于自身及环境状态序列,采用序列到序列的模型框架,分别利用长短期记忆(Long Short-Term Memory,LSTM)网络作为编码器对两种序列进行编码,并利用注意力机制将编码结果进行融合,以通过解码器对未来轨迹序列进行预测。最后,在真实数据集上,验证了模型中的预训练任务、环境状态提取方法和基于注意力机制融合方法能够有效提升模型的预测性能;与存在的模型相比,在不同预测时间步长上均取得了更好的效果。第二,为通过降低轨迹预测任务难度来进一步提升预测精度,在前述研究的基础上对轨迹生成部分进行优化,提出了基于多任务学习的车辆轨迹预测模型。首先,将轨迹坐标预测任务拆分为活动区域预测的分类任务和区域坐标预测的回归任务;将基于多序列融合的车辆轨迹预测模型中建模部分的所有网络结构作为底层共享网络,分别构建LSTM解码器对活动区域和区域坐标进行预测,并将预测结果融合得到最终的轨迹坐标预测结果,以降低轨迹预测任务的难度。其次,对车辆在横方向和纵方向上的行为意图进行定义,并利用多种参数共享方式来构建车辆行为意图辅助任务,以提升活动区域预测任务的精度。最后,在真实数据集上实验,得到了最佳活动区域维度配置,表明了基于多任务学习的车辆轨迹预测模型可以降低预测误差的均值,进而有效提升最终的轨迹预测性能;同时,验证了引入基于车辆行为意图预测辅助任务可以为最终的轨迹预测性能带来增益。