随着人工智能和机器学习的飞速发展,无人驾驶技术在全世界掀起了研究热潮。无人驾驶技术主要分为环境感知、行为决策和路径规划三大领域。其中,行为决策算法根据路况信息生成驾驶命令,指导无人车像熟练的驾驶员操作的汽车一样平稳行驶。因此,研究出决策精度高、实时性高的行为决策算法是非常有必要的。现有的行为决策算法可以分为两类,分别是数学建模方法和机器学习方法。然而无论哪一种形式的行为决策算法,都存在一定缺陷。数学建模方法根据逻辑规则建立车辆状态转移模型,并且通过计算风险评估指标来建立车辆行为模型。建模过程基于复杂的数学公式,导致计算量极大。并且数学建模方法只适用于特定场景,泛化能力弱。机器学习方法通过大量训练提高模型的泛化能力,适用于多种场景。然而,机器学习方法仅根据当前的输入生成决策,没有考虑到车辆运动历史状态,时间相关性低。因此,在构建行为决策算法的过程中,如何保证决策精度高、时间相关性强、泛化能力强是研究学者们多年来研究的热点和难点。本文对无人车行为决策方法进行了系统研究,提出了基于改进的GRU和SVM的无人驾驶决策算法。其主要工作包括以下三个方面:（1）针对数学建模方法泛化能力较弱的问题和机器学习方法时间相关性较弱的问题,提出了基于深度学习模型的特征提取方法。根据车道号和车辆位置,使用改进的门控循环单元网络（Gated Recurrent Unit,GRU）分别提取自车和周围车辆的行驶特征,并在每次迭代中将两个特征提取结果融合。门控循环单元是一种擅长于解决时间序列性问题的深度学习神经网络模型,本文算法通过这种方式,提升了决策结果的适用性。（2）针对传统分类算法分类精度不高的问题,提出了基于支持向量机（Support Vector Machine,SVM）和飞蛾火焰优化算法（Moth-Flame Optimization Algorithm,MFO）的决策生成方法。支持向量机是一种擅长于解决高纬度多分类问题的机器学习算法,飞蛾火焰优化算法是一种被广泛应用于优化参数的元启发式优化算法。本文算法通过这种方式,提升了决策结果的准确性。（3）针对MFO容易陷入局部最优且收敛较慢的问题,基于莱维飞行和自适应权重提出了改进的飞蛾火焰优化算法（Enhanced Moth-Flame Optimization Algorithm,En MFO）,弥补了全局搜索能力,加快了算法收敛速度。本文针对改进的飞蛾火焰优化算法En MFO,在12个基准函数上将其与五种群智能优化算法进行对比实验,通过比较收敛曲线以及均值和方差,证明了En MFO的优化能力强于其他优化算法。并且,本文在下一代仿真车辆轨迹和支持数据（Next Generation Simulation,NGSIM）数据集上对提出的算法决策算法En MFO-Im GRU进行实验,通过纵向对比实验验证了各个改进点的可行性,并将En MFO-Im GRU与最新的行为决策算法进行横向对比实验。根据结果准确率值、准确率提升速度等指标可以得出结论,本文算法En MFO-Im GRU的决策性能优于其他行为决策算法。无人车行为决策算法是本文的研究重点。本文算法采用模块分划的思想,将行为决策算法分划成特征提取模块和决策生成模块。首先,使用改进的门控循环单元神经网络完成特征提取工作。然后,将莱维飞行和自适应权重加入到飞蛾火焰算法中来提升算法优化能力。最后,将改进的飞蛾火焰优化算法与支持向量机相结合,生成决策。