随着循环神经网络（Recurrent Neural Network,RNN）的应用更加广泛,对抗序列的存在给这类安全攸关应用构成了极大的威胁,其中包含自动驾驶行为预测模型。RNN对抗序列生成是一种提升RNN鲁棒性的方法,然而目前现有的RNN对抗序列生成方法普遍存在着低效的问题。因此,针对上述问题,围绕自动驾驶行为预测模型,提出了一种基于权重自动机（Weighted Finite Automaton,WFA）的RNN对抗序列生成方法,帮助RNN高效地找到对抗序列。首先,提出一种自动驾驶行为预测RNN模型构建方法。在神经网络构建前,通过仿真工具SCENIC和CARLA联合生成自动驾驶场景时空数据,并利用时空数据的预处理方法对数据进行清洗、集成、变换和重排,保证数据质量;在神经网络构建中,融合Embedding机制、LSTM和时序注意力机制构建自动驾驶行为预测神经网络模型。结合自动驾驶十字路口转弯的案例,证明该构建方法的有效性与合理性,实验结果表明该构建方法可以提高自动驾驶行为预测模型的准确率,且节省计算资源。其次,提出自动驾驶行为预测WFA模型抽取方法。通过记录RNN运行时隐藏层数据,实现RNN到WFA的状态抽象、迁移抽象和输入抽象,构建出WFA五元组。提出抽象算法Fast k-DCP,优化了k-DCP算法的聚类过程并放宽约束,提高了效率与适用范围。通过自动驾驶十字路口转弯的案例,剖析自动驾驶行为预测模型的运行过程（基于前面构建的神经网络模型）,证明了上述方法有效且具有良好的泛用性,为抽象对抗序列生成做铺垫。最后,提出基于WFA的对抗序列生成方法,以改善自动驾驶行为预测模型的鲁棒性。先抽象扰动以生成抽象对抗序列,利用WFA运算加速搜索过程,然后实例化生成具体对抗序列。自动驾驶十字路口转弯的案例（基于自动驾驶数据集AVBT）证明了该方法的有效性,与其他对抗攻击算法的比较证明了该对抗序列生成方法的高效性。文章以十字路口转弯场景的案例贯穿,探索了基于WFA的自动驾驶行为预测模型的对抗序列生成过程,并贡献自动驾驶数据集AVBT作为基准数据集。