随着时代的发展变化以及科技的进步更新,互联网及其各类终端已经成为人们生活中不可或缺的部分,也产生了诸如智慧城市、物联网等概念。由于人类社会中智能自治系统的数量不断增加,这些系统在感知、理解和预测人类行为的能力变得越来越重要。其中,人类轨迹预测基于人类运动的历史轨迹及所处环境等数据预测其未来一段时间内的运动轨迹,能广泛应用于城市交通、社交机器人、自动驾驶汽车等领域,因此具有重要的研究价值。近年来对行人轨迹预测的研究不断增加,但由于行人运动的可变性,使其成为一项极具挑战性的任务。针对当前大部分研究工作在考虑影响行人交互众多因素的不足,本文开展基于生成对抗网络的行人轨迹预测方法的研究。首先,系统研究了轨迹预测问题和现有的行人轨迹预测方法,比较并评估了传统的和采用深度学习的轨迹预测方法的优劣性。基于生成对抗网络（Generative Adversarial Network,GAN）学习获得目标行人运动规律,建立了基于GAN行人轨迹预测的深度学习框架,为后续优化模型和实验设计提供了基础。接着,针对行人运动中的交互问题,提出了基于社交生成对抗网络（Social-Interaction GAN,SIGAN）的行人轨迹预测模型,使用了一种新的社会交互模块（Social-Interaction Module,SIM）来处理行人间的交互,考虑了一个场景中相邻行人与目标行人之间的位置和运动信息。同时,定义了一种新的时空亲和力度量,结合了所有邻居行人的位置和速度特征。此外,还提出了一种局部池化（Local Pooling）机制,可将邻居行人对目标行人的交互影响限制在合适的范围内。实验结果表明了SIGAN具有非常高的准确性。进一步考虑邻居行人的运动意图信息,提出了一种基于状态精细化长短期记忆网络和速度注意力机制的社交生成对抗网络行人轨迹预测模型（SR-LSTM and Velocity Attention based Social-Interaction GAN,SRVA-SIGAN）,使用SR-LSTM作为位置编码器,以有效地提取运动意图信息。同时,通过设置速度注意力机制对同一场景中行人进行影响力合理分配。实验结果表明了SRVA-SIGAN模型能进一步提高行人轨迹预测的准确性。本文的研究成果可以为行人轨迹预测的研究提供一种新的思路,也可以将其用于无人驾驶等实际的应用中,具有很好的理论价值和应用前景。