随着第四次工业革命的深入发展,以高级驾驶辅助系统（ADAS）为核心的智能驾驶技术得到了高速发展,无论学术界还是产业界都对其做了大量理论研究和产品化研究。相比于传统驾驶方式,“机主人辅”下的智能驾驶系统能够基于多源数据和智能算法配合驾驶员或者代替驾驶员制定安全性能好、效率高的驾驶策略,具有诸多优势。然而,智能汽车的关键技术仍未完全成熟,尤其是算法实时性、准确度和鲁棒性要求较高的决策及预规划系统,还有很大的提升空间。本文着眼于“机主人辅”下的智能汽车的决策及预规划系统,采用科学性、前沿性的技术路线展开研究,实现了具有预警性、实时性、可复制性的驾驶员风格识别及车辆行为预测,其中车辆行为预测包含驾驶意图识别和轨迹预测两个阶段。针对现有研究存在的不足,基于深度时序网络改进和实现了三个方向:驾驶员风格辨识、驾驶意图识别和结合驾驶意图的轨迹预测,并在NGSIM数据集上进行了比较和验证。本文具体的工作与成果如下:1)针对现有的驾驶员风格无监督聚类研究方法中,没有或者低效地利用驾驶员风格的时间维度信息、无法完整地获取驾驶员的动态驾驶风格、只考虑了一段时间内的统计值、采用传统的方法提取特征如PCA线性降维等问题,本文基于深度学习的自编码器原理,提出了一种适用于驾驶高维时间序列的LSTM降噪自编码器的特征提取和降维方法抽取低维特征来进行风格聚类和分析。通过聚类指标与其他降维方法相比和数据分析,证明此方法能够捕捉到驾驶员时间维度上的微观动态信息,侧重于驾驶员的“动态变化”来定义驾驶员风格,更适合于真实应用场景且更具有合理性。然后基于聚类结果和不同类簇特征分布差异将驾驶员分为激进、一般和保守三种风格类型。最后对不同风格的速度、加速度、车头时距和换道频次进行分析,验证了风格划分的正确性和合理性。2)针对现有的驾驶意图识别研究方法中,预测实时性不足、准确度不足、意图标定没有基于数据驱动、没有高效利用周边特征信息等问题,本文基于NGSIM数据集提取的换道行为数据对问题建模进行了修正,提高了意图场景研究的合理性与可复制性,且特征层面考虑了目前大部分研究中忽视的周边车辆的邻居信息和第二章中生成的驾驶员风格特征,进而提出了一种基于Bi-GRU的车辆驾驶意图识别方法。与其它现有算法在测试集进行比较,本文提出的算法以最高的准确率和F1-Score优于现有的其它算法。并对驾驶意图识别的混淆矩阵进行了分析,对真实左换道和右换道车辆行为可视化了意图识别过程。最后基于模型输出的结果分析了驾驶意图在车辆行为中的预警性,通过对到换道成功点的不同预判时间窗口分析驾驶意图识别的变化,证明了预判时间对驾驶意图的影响。3)针对现有的车辆未来轨迹预测研究方法中,预测精度不足、未充分利用车辆信息特征等问题,提出了一种基于注意力机制的多信息融合轨迹预测算法。在现有的轨迹预测场景中,基于Convolutional Social LSTM网络模块,引入了运动信息特征,车辆固有特征和驾驶员风格特征。然后引入了注意力机制,从注意力机制层面获取对主体车辆轨迹影响比较大的周边车辆信息和主体车辆历史不同时刻的信息。最后优化了卷积交互层,交互层完善了主体车辆特征嵌入,卷积层添加了avg-pooling模块进一步提取交互信息。通过与其他模型结果对比,证明基于注意力机制的轨迹预测网络具有一定的优势。基于结果详细定量分析了注意力机制在模型中的作用,对比了单模态模型和基于驾驶意图的多模态模型表现。最后分析不同历史轨迹时长和不同未来轨迹时长的实验结果,定量和定性分析了不同时间窗口对结果的影响。