城市道路下,自动驾驶汽车经常会遇到复杂的动态环境,为保证决策的合理性和安全性,获得对环境中其他交通参与者行为和未来轨迹的预测至关重要。而城市道路中拥挤的交通环境和复杂的道路结构给轨迹预测带来了挑战。本文主要针对车辆这一重要的道路交通参与者,研究其在复杂场景下的轨迹预测方法。对于每个预测目标车辆,观测到的其过去的历史轨迹是推测其未来行为的关键信息之一。通过输入足够长的历史轨迹有助于模型对轨迹整体趋势和驾驶者个体风格的理解,而轨迹预测又是个复杂的动态过程,细微的动作调整对理解驾驶者的行为同样重要。常规的LSTM（Long Short Term Memory）编码方式在兼顾长期记忆能力和捕捉细微变化上还有提升的空间。此外,车辆在道路上行驶并非是完全自由和随意的,前方道路的结构和变化趋势直接影响车辆未来的行驶轨迹,而基于栅格图的道路信息提取计算成本较大。城市道路复杂的动态环境也为交互建模带来了挑战。针对以上问题,本文提出了一种基于多尺度信息融合与图注意力网络（Graph Attention Network,GAT）的轨迹预测方法,主要的研究内容如下:（1）搭建了多尺度轨迹信息编码模型MS-LSTM（Multi-scale LSTM）来融合粗粒度和细粒度序列信息从而兼顾长期记忆能力和捕捉细微变化。MS-LSTM由两组处理不同时间尺度的LSTM组成,粗粒度LSTM负责提取轨迹整体信息,细粒度LSTM完成对动作的细微变化的捕捉,然后将两者进行融合。（2）道路信息编码方面,首先将道路转化为拓扑图结构,相较于栅格化的表示,拓扑图的存储成本和后续的计算成本都要小得多。本文针对Lane GCN提出的用于提取拓扑图结构的道路信息的Lane Conv算子进行改进,在多尺度融合过程中引入相对距离信息来提升多尺度道路信息编码的效果。这一简单的改进避免了利用扩张卷积进行多尺度信息聚合的过程中信息的互相干扰,通过引入相对距离信息有利于模型对道路空间信息的理解。（3）基于GAT对交互进行建模,并参考Lane GCN搭建了轨迹预测模型的整体框架,基于Argoverse数据集训练和测试模型。本文提出的方法在每次预测的多条轨迹中取评分最高的轨迹的情况下,3s的预测周期内该预测轨迹同真实轨迹的平均终点误差比Lane GCN低了0.13m,且表征了预测可靠性的轨迹丢失率在取Top-1和Top-6的情况下,比Lane GCN分别降低了1.55%和0.94%,且其他各项参数均有所降低,模型整体性能得到了提升。并对各个改进方法进行了定性分析,同时设计了消融实验对各个改进进行定量分析。