随着人工智能技术的快速发展以及智能汽车应用需求的日益增长,车辆智能驾驶技术已成为当前的研究热点。智能驾驶关键技术包括环境感知、行为决策、路径规划、运动控制等,其中行为决策与运动控制技术是衡量智能驾驶车辆自主能力的关键指标,也是智能驾驶研究的重点和难点。目前,智能车辆环境感知技术已经取得了大量的研究成果,但车辆行为决策与运动控制方法仍较依赖人工先验知识来设计专家规则或模型,对复杂环境适应性不强。在动态复杂的城市驾驶环境下,传统行为决策与运动控制方法面临更多的挑战。当前,为克服已有方法自动化程度不高和过于依赖人工经验等问题,将模仿学习和强化学习等机器学习技术应用于智能驾驶行为决策与运动控制已成为一个重要的发展趋势。其中,模仿学习可以把人类驾驶员丰富的经验数据建模学习为具有良好性能的行为决策或运动控制模型,从而有效解决传统行为决策与运动控制方法依赖人工先验知识的问题,同时也能避免强化学习需要过多试错训练且收敛困难的缺点。模仿学习中最常用的为有监督的策略函数回归方法（如行为克隆）,同时也包括逆强化学习和直接策略交互学习方法。有监督的策略回归与一般的监督回归方法不同,它是在一个连续动作且具有时序决策特性的策略空间上进行回归和建模,要获得良好的性能还需要克服特征的高效抽取、时序回归模型的迭代优化等难题,因此,现有的模仿学习方法在学习精度和泛化性能等方面还存在不足。本文主要针对以上问题开展基于模仿学习的智能车辆行为决策与运动控制方法研究,因此,在理论和应用上都具有重要的意义。本文主要研究工作和创新点如下:（1）提出了一种基于Bagging高斯过程回归（Bagging Gaussian Process Regression,Bagging GPR）的驾驶行为建模方法。该方法既利用了高斯过程回归方法基于贝叶斯推理和核函数映射的高效性学习特点,同时也利用了集成学习Bagging方法采用多个模型并行训练和集成策略的优点来进一步提高驾驶行为建模的学习精度。通过在自动驾驶高级仿真平台Pre Scan上分别搭建道路跟随、直道超车和弯道避障三种典型驾驶场景,对提出方法进行性能评测。结果表明,与多层神经网络反向传播、集成回归树、支持向量回归和高斯过程回归等其它基于机器学习的驾驶行为建模方法相比,提出的基于Bagging高斯过程回归的驾驶行为建模方法能进一步减小模仿学习误差,提高模型的泛化性能。（2）针对端到端行为模仿学习中卷积神经网络（CNN）存在全连接层泛化能力有限和容易收敛至局部最优的问题,提出了一种驾驶行为模仿学习的卷积神经网络高斯过程回归（CNN-GPR）方法,并设计了Pilot Net-GPR和Res Net-GPR两种算法。该方法使用全局映射能力和泛化性更强的高斯过程回归改进端到端CNN网络的全连接层结构,完成CNN提取特征到驾驶行为的高效学习。在百度Apollo端到端自动驾驶数据集上的实验表明,设计的Pilot Net-GPR和Res Net-GPR算法相较于基于Pilot Net和Res Net网络的方法能进一步提高端到端驾驶行为模仿精度和网络模型的泛化性能。特别地,与英伟达设计的Pilot Net网络相比,提出的Res Net-GPR方法在测试集上的均方误差（MSE）减少了16.27%,平均绝对误差（MAE）减少了9%。（3）提出了一种时序图像驾驶行为学习的深度神经网络高斯过程回归（CNN-LSTM-GPR）方法,进一步利用时序信息提高驾驶行为学习精度。该方法使用高斯过程回归改进级联深度神经网络（CNN-LSTM）的全连接层结构,对级联深度神经网络提取的特征到驾驶行为之间的映射进行更高效的学习逼近。在百度Apollo端到端自动驾驶数据集上的实验结果表明,在同等条件下与基于单幅图像的端到端模仿学习方法相比,CNN-LSTM-GPR方法能考虑更多的时序信息,模仿误差更低。与CNN-LSTM方法相比,CNN-LSTM-GPR方法能进一步提高时序图像到驾驶行为动作的映射学习精度,算法泛化性能更优。（4）使用实验室搭建的自主车平台对驾驶行为学习的CNN-GPR方法和CNN-LSTM-GPR方法进行测试和验证。在红旗E-HS3自主车平台上搭建了数据采集模块并采集了城市道路驾驶行为数据集,接着在采集的实车数据集上对提出方法进行性能评测,进一步验证了驾驶行为学习的CNN-GPR方法和CNN-LSTM-GPR方法的有效性。