随着各种交通元素增多,关于行人的事故率相应增加。每年涉及人员伤亡的道路交通事故中因行人横穿道路发生的交通事故占据相当大的比重。辅助驾驶系统和自动驾驶系统一直是近年的研究热点,行人意图预测是研究难点之一。因此,如何快速并且准确预测行人的意图显得尤为重要。目前大部分研究一般是针对单个行人进行意图预测。当行人数量变多时,意图预测计算量相应增大,响应时间变长,这对分秒必争的交通场景影响非常大。因此,行人意图预测算法需要从计算量、响应速度、预测准确率多方面进行改善。针对以上问题,本文提出了基于异常点的行人组意图预测方法。以下是本文的研究内容:（1）提出了一种具有噪声的基于密度的（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）时空行人组划分方法,并与人工行人组划分方法对比。该方法将行人边界框几何中心的横纵坐标和边界框的宽作为输入条件,并提出了一种自定义最大最小归一化方法对行人组数据进行预处理,结合了从空间层面和时间层面对行人组的划分结果。实验结果表明,智能行人组划分方法满足性能要求,为后续行人组意图预测和组内异常点检测的研究奠定基础。（2）对数据进行了异常点标记、预处理,搭建了3种采取不同特征融合策略（早期、晚期、分层融合）的深度神经网络模型来检测行人组中的异常点。实验结果表明,采用分层融合策略准确率较高,可以为基于异常点的行人组意图预测研究奠定基础。（3）搭建了基于异常点的行人组意图预测模型Group＿Outlier Net,该模型融合了基于深度神经网络的行人组意图预测模型和组内异常点检测模型,可以同时对行人组和组内异常点进行意图预测。结果表明,Group＿Outlier Net不仅在意图预测上表现较好,还减少了预测时间,节省了计算资源。因此,本文建立的模型对推动行人意图预测相关研究有一定的价值。