准确地感知并预测行人的过街意图能协助智能汽车更好的理解车身周围的行人状态,为智能汽车在复杂的交通场景中实现路径规划和驾驶决策控制提供安全保障。当前,大部分行人过街意图预测算法聚焦于行人的运动特征或姿态特征,但由于行人行为的灵活性,基于单特征的方法不足以完全理解行人的行为,而基于多特征的方法多以某一特征为主,并未充分重视其他特征信息。针对目前行人过街意图预测模型特征捕捉不足,预测精度不高的问题,本文首先提出了基于姿态估计的行人过街意图预测模型。该模型以车载前置摄像头拍摄的视频作为输入,应用基于深度卷积神经网络和卡尔曼滤波的行人检测跟踪模块提取目标行人的运动特征,结合基于骨架拟合的姿势估计模块提取目标行人的姿态特征并帮助前端检测器消除误检,然后通过时空密集网络处理行人特征对行人过街意图进行预测,并取得了良好的实验结果。在此基础上,本文为进一步提升行人过街意图预测算法的性能,对目标行人在交通场景下的时空交互关系进行了推理,提出了基于时空图卷积的行人过街意图预测模型。该模型使用实例分割模型来生成每一帧实例对象,通过对交通场景下的目标行人和实例对象进行图结构建模并搭建图卷积网络来学习行人与关注对象之间的交互关系,并据此提取行人的时空交互特征。最后,将所得的行人运动特征,姿态特征和时空交互特征整合输入到时空密集网络中进行行人过街意图预测。优化后的模型在精度上和预测速度上较前有模型均得到了提高。为验证本文模型的有效性,本文在JAAD数据集上与主流算法进行了对比,实验结果表明,本文所提出模型在查准率、查全率、分类正确率、F1平衡分数等方面都取得了最优的结果,其中分类正确率相比于最优算法提升了4%,F1平衡分数则提升了6%。所提模型还在自制校园数据集中进行了测试,证明该行人过街意图预测方法具有良好的泛化能力。