对驾驶员视域内的车辆行为识别和轨迹预测能极大地降低重大交通事故发生的可能性,车辆的运动预测结果能够为驾驶员的行车决策和无人驾驶系统的决策规划模块提供重要的辅助信息,以保证车辆在各种复杂的交通场景下安全和高效地行驶。本课题针对主驾车辆前方车辆的行驶视频,以车辆目标检测、跟踪、行为识别和未来的行驶轨迹的预测问题展开研究,主要内容如下:（1）对SSD目标检测算法进行优化,提出一种轻量级特征提取网络用来替换SSD的特征提取网络,简化其网络结构。筛选包含车辆图像的数据集,并重新设置各预测层候选框的尺寸、数量和长宽比例。针对车辆锚框尺寸在数据集中的分布情况,在不同尺度上的特征图上进行特征提取,并进行边框回归和分类预测,在提高检测精度的同时极大地加快了检测速度。在优化的SSD车辆目标检测网络的基础上,使用卡尔曼滤波算法对车辆的运动状态进行估计,再结合匈牙利匹配算法计算检测结果和轨迹之间的关联程度,实现车辆目标跟踪,并提取车辆的历史轨迹。（2）提出一种基于残差网络和LSTM网络的混合模型的车辆行为识别算法,设计两个残差网络对车辆行驶图像序列进行特征提取,再利用LSTM网络对提取的车辆行为信息进行时间序列建模,最后使用softmax函数计算车辆行为分类得分,以解决传统车辆行为预测算法延迟高和精度低的缺点。（3）提出基于双注意力网络的车辆轨迹预测方法,采用darknet-53提取当前时步的车辆交互特征,并与目标车辆的历史轨迹特征和行为特征进行融合。引入了注意力机制对融合的特征进行权重分配,使得网络能够自适应提取对车辆轨迹影响最大的特征,提高轨迹预测的精度。（4）基于真实行车路况视频数据,对视频中的车辆实现目标检测、跟踪并提取轨迹数据,对车辆进行行为识别并预测车辆未来运动轨迹,以验证本文面向城市交通的驾驶员视域内车辆运动预测方法的有效性和可靠性。