为了提升自动驾驶汽车在复杂环境中的安全性,智能汽车在进行决策时,需要关注环境车辆未来的驾驶意图和行为的不确定性,针对当前道路环境中其他环境车辆未来一段时间内的轨迹进行预测。准确的意图和轨迹预测是智能车辆能够进行安全合理的决策规划的保证。因此进行环境车辆的意图和轨迹预测研究具有十分重要的意义。现有的轨迹预测方法均需要输入长时间的被预测环境车辆周围车辆的历史轨迹,但对于自动驾驶车辆搭载的车载端传感器来说,难以获得长时间的有效被预测环境车辆周围车辆的轨迹信息,本文针对这一问题提出了一种可以动态调整被预测环境车辆和其周围车辆的轨迹输入长度的意图和轨迹预测框架,具体研究内容如下:（1）建立了结合历史驾驶行为序列识别的两阶段驾驶意图预测模块,第一阶段采用双向长短期记忆（Bi-directional Long Short-Term Memory,BILSTM）网络和长短期记忆（Long Short-Term Memory,LSTM）网络模型分别对长期被预测环境车辆和短期其周围车辆的历史轨迹进行编码,然后输入第二阶段的基于注意力机制的编码信息融合和意图解码模块,最后解码输出被预测环境车辆的历史行为序列和驾驶意图识别结果。（2）提出了基于历史行为序列识别的环境车辆驾驶意图及轨迹预测框架,通过对编码器-解码器结构的改进以分别编码长期的被预测环境车辆和短期的其周围车辆的历史轨迹特征,实现了对周围车辆轨迹输入长度的动态调整,同时引入意图识别模块输出的历史行为序列进行环境车辆精细特征的复用,降低整体模型学习难度,而且采用独立的解码器分别对环境车辆的XY方向特征进行分别解码学习,以预测输出更准确的环境车辆未来轨迹,同时在单模态轨迹预测模型的基础上提出了多模态轨迹预测框架实现对环境车辆的不确定性轨迹预测。（3）在下一代仿真（Next Generation Simulation,NGSIM）真实场景数据集上对所提出的基于历史行为序列识别的意图和轨迹预测模型框架进行了训练和测试,结果表明:相较类似结构的现有模型,在对环境车辆进行轨迹预测时,将预测对象周围车辆的历史轨迹的输入序列从10帧减少为3帧的情况下,所提出的意图识别模型MAHS-BILSTM（Maneuver Attention History Surrounding BILSTM）和MAHS-BIGRU（Maneuver Attention History Surrounding Bidirectional Gated Recurrent Unit）当前意图预测的准确率可分别提升0.23%和0.56%,而相对仅输入相同长度被预测车辆信息的现有方法模型,MAHS-BILSTM和MAHS-BIGRU模型的意图预测准确率可分别提升1.29%和1.07%。同时所提出的轨迹预测模型在3s内的均方根误差（Root Mean Square Error,RMSE）精度提升9.42%,其中横向位置预测精度提升3.37%。