随着无人驾驶技术的不断完善,全球范围内的自主驾驶车辆不断落地运行。然而,为了保证充分的安全性,自主车辆在与周围其他车辆进行交互时往往会采取一些十分保守的策略,如“预期碰撞理论”等,这样不仅会影响到自主车辆的行驶效率,同时也会影响到整体交通流的效率。如何实现自主车辆类人的驾驶行为决策是解决该问题的关键所在。本文主要研究考虑与周围车辆不确定性交互的自主车辆的类人驾驶行为决策以及运动规划。围绕周围车辆驾驶意图识别、自主车辆类人的驾驶行为决策以及局部运动规划三个方面展开研究,主要研究内容如下:（1）基于循环神经网络（RNN）的车辆驾驶意图识别。基于NGSIM数据集中的真实车辆轨迹数据,对车辆的驾驶意图进行识别。通过构建多种RNN结构,从长短时记忆神经网络（LSTM）以及门控循环单元网络（GRU）两个方面,对比分析了只有双向（Bidirectional）RNN网络和加入注意力（Attention）机制后的网络。结果显示,加上Attention机制后,网络整体对车辆驾驶意图识别结果的准确率有着明显的提升。此外,从RNN、BiRNN以及BiRNN+Attention三个方面,对比分析了 LSTM网络和GRU网络在不同建模时长下对周围车辆驾驶意图识别的性能。结果显示,在建模时长为1s时,GRU网络性能优于LSTM网络;并且GRU网络相比LSTM网络在模型训练时长上平均减少了14.18%。（2）基于纳什均衡博弈决策过程的自主车辆局部运动规划。依据场景中车辆间的相对状态信息,构建了考虑自主车辆驾驶风格的纳什均衡博弈决策模型;基于决策结果构建了动态局部目标点选取模型;根据局部目标点选取结果构建了基于行为动力学的局部运动规划。利用NGSIM数据集中的车辆轨迹数据,对纳什均衡博弈决策模型进行了有效性验证。结果表明,该模型基本可以实现自主车辆类人的驾驶行为决策,同时仿真结果也符合不同驾驶风格下的自主车辆驾驶行为决策方式。此外,通过动态局部目标点选取模型,将纳什均衡博弈决策模型与基于行为动力学的运动规划结合起来,实现了基于博弈决策过程的局部运动规划,然后在与验证纳什均衡博弈决策模型相同的车辆轨迹数据中进行仿真分析,验证了该方法的有效性。从西安二环东段采集了城市道路场景中的交通流视频,并对视频中的相关车辆的轨迹特征进行获取,将得到的车辆轨迹数据输入到上述局部运动规划模型当中,验证了该模型的泛化性能。（3）基于level-k博弈理论的自主车辆驾驶行为决策。依据场景中周围所有车辆的初始状态信息,对所有车辆各自策略空间中的全部策略下未来一段时间内的轨迹进行规划,基于规划出的轨迹构建level-k博弈决策模型中的驾驶收益函数。同时,在模型构建过程中,为了考虑周围车辆的不确定性,引入了博弈理论中的混合策略理论以及期望效用理论;为了考虑车辆的驾驶风格,对不同驾驶风格下的车辆换道纵向位移与换道初始纵向速度间的关系进行拟合;为了考虑车辆换道时的不确定性,在对换道策略对应的换道轨迹进行规划时总共规划了三条标准换道轨迹。采用与先前验证纳什均衡博弈决策模型相同的数据对level-k博弈决策模型进行有效性验证。仿真结果符合不同驾驶风格下的自主车辆驾驶行为决策方式。此外,对level-k博弈决策模型与纳什均衡博弈决策模型的决策结果进行对比分析。结果显示,level-k博弈决策模型可以在保证安全性的前提下提高自主车辆的驾驶效率,但实时性比纳什均衡博弈决策模型差。