随着自动驾驶的研究逐步走向实用化,人们对自动驾驶准确性与安全性的要求也越来越高。自动驾驶系统是一个高度自治的系统,包括感知模块,路径规划模块,行为决策模块和自适应控制模块,其中行为决策模块是确定自动驾驶汽车安全性和稳定性的关键技术。现有的主要决策算法可以分为三类:基于规则的方法,强化学习方法和深度学习方法。基于规则的方法对于简单场景的准确性很高,但是规则制定方法的复杂性限制了它在复杂环境中的进一步发展。强化学习方法可以在不复杂的情况下做出安全有效的驾驶决策,但由于真正的驾驶环境复杂又多变使决策的准确性受到限制。因此我们选择深度学习方法应用于自动驾驶决策,其中长短期记忆神经网络（Long Short-term Memory Neural Network,LSTM）是自动驾驶决策最重要的网络架构之一。但是,由于未考虑周围车辆的信息,长短期记忆神经网络的决策准确性受到限制,这些信息对于自我车辆的决策至关重要。其次,现有算法中多数使用softmax分类器,这导致它们的分类精度较差,为此我们选用支持向量机进行分类。第三,支持向量机中固定的内核函数参数导致它的分类能力较差。本文对自动驾驶决策方法进行了系统研究,针对上述存在的问题提出了一种新的网络架构,该网络架构基于长短期记忆神经网络,且使用具有改进的蚱蜢优化算法优化的支持向量机进行分类,称为基于长短期记忆神经网络和蚱蜢优化算法的自动驾驶决策算法（GOA-Im LSTM）。GOA-Im LSTM中主要提出了以下三项创新点:（1）为了考虑到周围车辆的信息,根据车辆位置设计三个并行的长短期记忆神经网络单元和一个与之串联的长短期记忆神经网络单元,使用这种新的网络架构提取自动驾驶车辆的重要特征。（2）为了提高分类精度,引入了比softmax分类能力更强的支持向量机来完成分类任务。（3）为了提高支持向量机的分类能力,采用蚱蜢优化算法对支持向量机的参数进行优化。此外,蚱蜢优化算法的探索与开发能力不协调,为了平衡蚱蜢优化算法的探索和开发能力,本文在蚱蜢的位置移动公式中定义了动态权重。本文使用NGSIM数据集进行实验,将本文提出的算法与其他的自动驾驶决策算法进行了对比,实验表明,GOA-Im LSTM具有较好的自动驾驶决策结果,提高了自动驾驶决策结果的准确性。自动驾驶决策是本文的研究重点,本文在实验过程中,循序渐进的提出问题,解决问题,通过逐步解决三个问题按顺序提出了上述三项改进,此外,本文算法可以根据具体实验要求以及数据特点进行不同参数的设定,以适应不同的自动驾驶决策环境,算法具有较强的灵活性。