行驶在复杂交通环境中的车辆,其变道行为不仅受驾驶员驾驶水平和习性等内部因素影响,同时周围交通车状态、交通流密度和交通信号等外部因素也是其变道时机抉择的重要影响因子,而在“人-车-环境”这一闭环交互系统中,驾驶员是最薄弱环节。因此,研究自主变道技术的目标是利用传感系统,增强驾驶员的感知和决策能力,提高汽车变道的舒适性、经济性和安全性。目前,对于变道场景下交通车的分析研究,多关注基于传感器信息得到车道占用情况、目标车与自车的相对距离、相对速度等作为变道时机判断依据。但是在弯道、自车变道等工况下,仅用传感器信息无法实现对目标车工况的准确辨识。同时,相关研究较少关注目标车在车道内的运动,准确的运动信息是保证交通车行为识别和轨迹预测准确性的前提。因此,为提高智能驾驶系统多工况下的感知能力,本文开展在直道、弯道等各工况下均具有强鲁棒性的交通车运动分析方法研究,研究内容主要包括:第一,多传感器目标跟踪与信息融合研究。为抑制传感器噪声并实现周向感知,本文基于多传感器布置方案,提出单传感器应用卡尔曼滤波进行跟踪,多传感器利用跟踪获得的协方差矩阵进行融合的方法。单传感器通过卡尔曼滤波的预测值和传感观测值获得最优估计,有效提高传感器测距精度。多传感器间采用全局最近邻算法进行目标匹配,协方差交互融合,实现了周向交通车的信息感知及状态管理。第二,交通目标车运动分析。在不增加传感器的前提下,本文引入基于车道线信息的变换模型,结合自车运动对后向车道线进行生成,能保证生成车道线的误差及稳定性。针对弯道工况下传感信息引入的歧义,基于目标车历史信息获取与自车运动解耦的横、纵向轨迹,将目标车车道内运动分解为垂直车道线（横向）、沿车道线（纵向）两个维度。与传感坐标系下进行分析相比,本文提出的自车车道中心参考线坐标系下进行目标物分析更为高效、准确。最后,在仿真场景下完成算法多工况下的准确性验证。第三,目标车行为识别与轨迹预测研究。利用获取的目标车车道内运动信息作为模型输入,分别建立基于连续隐马尔可夫的车辆行为识别模型、基于LSTM网络的轨迹预测模型。车辆行为识别模型能通过运动信息中的横向特征,对变道过程的各阶段准确识别。同时,将目标车轨迹信息和运动信息作为输入,基于LSTM网络的轨迹预测模型在长时域预测较运动学模型预测性能表现更佳。第四,实车数据验证。搭建实车试验平台,对多传感目标跟踪与融合算法、目标车运动分析算法进行验证,验证了本文算法在实车多工况环境下的有效性。论文针对交通车在各工况下的运动分析研究,确定了一种鲁棒性和适用性强的目标车运动分析方法,同时建立了变道行为识别和轨迹预测模型,为汽车变道的安全决策提供了可靠的支持,从而改善驾驶员变道行为的安全性和经济性。