随着人们对道路安全、驾驶便捷性和交通效率的越发重视,关于自动驾驶技术的研究越来越多。自动驾驶车辆需要有能力推断其他交通参与者的意图,并预测他们未来的行动,以了解驾驶情况。在车联网环境与自动驾驶技术的支持下,意图辨识与轨迹预测不仅能为驾驶人提供辅助换道决策依据,还能预判换道过程中的车辆碰撞风险,提升换道安全。在此背景下,本文利用无人机拍摄隧道出口路段和附近交织区路段的高空视频,获取高精度车辆微观轨迹数据,根据车辆间交互类型的不同,分析不同类型车辆的换道位置、换道持续时间、换道速度等行为特征。在此基础上,基于深度学习网络建立多分类换道意图辨识模型与轨迹预测模型,以期能为车辆换道辅助系统的多场景适用设计提供参考。首先以高精度微观轨迹数据为基础,划分换道过程的不同阶段,利用目标跟踪算法提取换道主车、前后车、相邻前后车的轨迹数据,用以分析环境信息对车辆换道特性的影响。运用描述性统计和Mann Whitney-U检验对不同路段场景、不同类型车辆的换道行为进行分析,分别探讨了小车和货车在换道位置、换道持续时间、换道速度方面的特性。结果发现:小车换道持续时间和货车换道持续时间存在显著性差异,交通流状态、驾驶人出行目的、路段特性、车辆机动性能是造成这种差异的主要原因;分析了货车主车与周围车辆的时空交互关系,发现货车主车在换道过程中的状态会对左/右后车的速度造成较大影响。接着基于前文的换道特性分析结果,以车辆速度信息和位置信息为输入,根据车辆在换道过程中涉及的车道变化将相邻车辆的换道意图细分为七种类型:中间车道保持、中间车道向左换道、中间车道向右换道、左车道保持、左车道插入、右车道保持、右车道插入。利用传统分类算法（决策树）、集成学习算法（随机子空间）、融合欠采样技术的集成学习算法（RUSBoost）以及引入贝叶斯优化的RUSBoost算法来逐步建立多分类换道意图辨识模型。通过准确率、精确率、召回率、AUC值等评价指标,结合路段信息、换道特性等交通视角,对比不同模型在不同场景的分类效果。结果表明:BOA-RUSBoost模型无论是在识别精度还是泛化能力方面都优于其他三个模型;与车道保持样本相比,换道样本的识别难度更大。最后利用神经网络模型处理时序数据的优势,基于历史轨迹建立了MLP/CNN/Bi-LSTM换道轨迹预测模型,通过均方误差（Mean Square Error,MSE）比较了不同方法、不同场景、不同时域和不同类型车辆的换道轨迹预测效果。结果表明,Bi-LSTM模型预测长时序数据的能力优于MLP模型和CNN模型,货车在较长时域下的轨迹预测精度优于小车。