车辆换道行为是驾驶过程中的一种普遍行为,换道不当常引起车辆追尾、碰撞等交通事故,不仅影响道路运行效率,而且威胁人们生命安全。同时,换道行为是辅助驾驶和自动驾驶的主要功能之一。可见,如何精确地识别车辆的换道意图和预测车辆轨迹是目前交通安全领域和智能交通领域的热点和难题。随着大数据、深度学习等技术的不断发展,数据驱动的换道模型成为主流。因此,本文基于交通轨迹数据,利用深度学习方法建立数据驱动的换道意图识别模型和轨迹预测模型,有助于判断换道风险、辅助驾驶决策和路径规划,从而提高交通安全和道路通行能力,具有重要的科研价值和实际意义。本文主要研究内容如下:（1）驾驶行为数据提取。首先,分析车辆换道行为概念,将其分为换道意图阶段和换道执行阶段进行研究。其次,选择NGSIM轨迹数据作为基础数据,分析原始数据存在的误差和噪声,使用卡尔曼滤波进行平滑处理。最后,建立换道提取规则,将车辆驾驶行为分为向左换道、向右换道和直线行驶三类,并分析影响车辆行驶的因素,将目标车辆和周围车辆的相关数据提取出来形成新的样本集。（2）换道行为微观特性分析。从换道持续时间、换道位移、周围车辆的速度和间距关系四个方面分析换道行为的微观特性。结果显示,车辆换道平均时间为6.52 s,且换道平均位移为75.51 m,说明换道行为过程比较短暂且位移较小,但需要考虑的影响因素较多,因此换道行为的危险性较大,同时,当目标车辆前车速度较低或与前车的间距较小时换道意图明显。（3）考虑车辆行驶过程的时间序列性及车辆之间的交互性,构建融合注意力机制（Attention）的卷积神经网络（CNN）与门控循环单元（GRU）组合的换道意图识别模型,用于识别车辆的驾驶行为。将三类重构的样本集输入到模型中进行训练和测试,并与KNN、决策树、BP神经网络、长短期记忆神经网络（LSTM）和不加注意力机制的CNN-GRU等模型进行对比实验。结果表明,本文所提的CNN-GRU-Att模型识别精度较高,达到97.37%,具有良好的识别性能。（4）融合车辆间的时空特征及车辆换道意图等参数形成多元输入向量,构建基于CNN与双向长短期记忆网络（Bi LSTM）组合的车辆换道轨迹预测模型。首先,单步预测时,与CNN-LSTM、CNN-GRU-Att、Bi LSTM、LSTM等模型进行对比,结果表明,CNN-Bi LSTM模型轨迹预测性能更好,精度达到99.51%;改变模型输入变量,可知输入变量越多,模型预测精度越高。其次,多步预测时,CNN-Bi LSTM模型在预测时域为1.2s以内轨迹预测精度均达到96%以上,说明模型具有一定的灵敏性。