随着智能驾驶浪潮的来临,车辆的智能化技术在减少交通事故、降低交通拥堵率、提高车道的使用率等方面有巨大的优势,已经成为众多高校和大部分企业相互竞争的热点。本论文利用深度学习,开展了基于视觉的智能汽车前方车辆运动轨迹预测方法的研究。针对特定的高速公路、城际道路场景,从车道线检测、目标车辆检测和目标车辆运动轨迹预测三个方面进行了轨迹预测研究。主要研究内容如下:第一部分是基于视觉的车道线检测,本文在LaneNet基础上提出了一种Fast-LaneNet的车道线检测算法。针对本文的特定场景,去掉了复杂的车道线拟合H-Net网络,直接对聚类后的相同像素点进行霍夫直线变换,可以降低车道线检测的计算量,提高实时检测速度。第二部分是基于视觉的目标车辆检测,本文在Gaussian YOLOv3的基础上提出了一种Gaussian Fast-YOLOv3算法。该算法首先对候选目标框的坐标进行高斯建模,提高了目标车辆的定位准确率,其次对Gaussian YOLOv3的主干网络中部分卷积层替换为最大池化层,可减少参数量,进而减少车辆检测网络的计算量,提高实时检测速度。第三部分是基于视觉的车辆运动轨迹预测,本文提出了基于时间序列的运动轨迹预测方法。从轨迹信息的时空依赖入手,利用视觉深度学习丰富的特征表征能力提出了两点改进措施:其一是特征融合,融合的特征包含当前时间步的车道线信息和目标车辆的检测框信息,以及历史时间步目标车辆的轨迹信息;其二基于已有的多层LSTM、CNN-LSTM模型,提出改进的LSTM-CNN-LSTM融合模型。