行人轨迹预测在智能驾驶等领域有着广泛应用,预测交通场景中移动物体的轨迹可以使智能汽车更高效的进行路径规划决策和控制,其中行人在大多数场景中受到的规则约束较少,运动路径更加复杂。因此,行人轨迹预测在近几年成为学术界和工业界的重点研究领域。目前相关研究都将行人轨迹表征为时空数据,其中每个行人都蕴含丰富的时空特征,包括同一时刻行人之间的空间交互,同一行人历史行为对未来轨迹的时间交互,历史不同行人对某一行人未来轨迹的时空关联特征,时空数据中的这三种影响沿空间维度和时间维度传播。最新的研究可以成功的模拟出行人周围的空间交互特征和行人轨迹的时间交互特征。但他们通常使用单独的模块捕获时间或空间交互,却忽略了时空数据中复杂的时空关联特征。针对此问题,本文以主流的图卷积方法为基础,提出了两种行人轨迹预测模型,主要内容如下:（1）提出基于时空同步图卷积的行人轨迹预测模型。创新地应用了时空同步图卷积模块,构建局部时空图直接表征和提取行人轨迹数据中的时间特征、空间交互特征和时空关联特征。然后在局部时空图中加入时间嵌入和空间嵌入模块,增强模型的时空相关性建模能力。最后使用残差堆叠的时间卷积网络,计算二维高斯分布参数,生成多模态的行人预测轨迹。（2）提出基于时空同步图卷积的长效门控行人轨迹预测模型。在模型中使用并简化时空同步图卷积模块,使用门控机制调节图卷积中的信息流。改进门控时间卷积网络与同步图卷积模块并行,省去时间嵌入和空间嵌入模块,并通过时间卷积增加卷积的感受野,弥补局部时空图捕获全局时空相关性的限制,有效提升了行人轨迹预测最终位置的精确性。本文所提出的两个模型都在公开真实场景行人轨迹数据集ETH和UCY上进行了验证。大量对比试验表明,其中第四章提出的模型根据3.2秒（8帧）轨迹预测4.8秒（12帧）轨迹进行试验,预测结果的平均位移误差相比先进的主流模型下降了24%,最终位移误差相比下降了30%,运行速度也达到了较为先进的水平。此外,在自制校园数据集上测试,相比主流方法同样拥有最好的精度,验证了所提出模型的良好泛化能力。