随着人工智能算法的不断发展,无人驾驶技术取得了巨大的进展,海量的轨迹数据集为无人驾驶技术提供了数据支撑。现有高质量且有标注的轨迹数据集较少,标注成本过高,无法大规模应用,标签信息的正确性很大程度上影响监督学习的模型性能。车辆的轨迹预测可以提高无人驾驶汽车的安全性,现有的车辆轨迹预测模型以基于数据驱动构建,随着历史轨迹序列长度增加,存在重要特征信息丢失或覆盖的问题,并且大多数的车辆轨迹预测模型忽略了对车辆间交互性建模。针对上述问题,本文主要探讨对车辆轨迹数据进行高质量的表示以及精准的轨迹预测研究。本文的主要贡献为:（1）针对现有高质量有标注的轨迹数据集较少,制作标签成本过高的问题,提出基于度量时态邻域编码模型自动对轨迹数据生成伪标签进行表示学习。利用轨迹邻域表示学习方法提取深层次的轨迹特征,通过滑动时间窗口得到整条轨迹序列的表示学习。除此之外,根据深度度量学习对基准样本、正样本、未标记样本之间欧氏距离进行约束,提高判别器识别邻域样本与非邻域样本的准确率。将车辆行为识别任务作为该模型的下游评测任务,筛选High D数据集中的直行、换道数据对模型进行训练,大量实验结果证明,与同类模型相比,该模型表示学习效果较好,准确率高达93.09%、直行召回率为97.05%、左换道召回率为76.09%、右换道召回率为91.01%、AUC值达到0.973。（2）针对重要轨迹特征信息丢失或覆盖以及忽略车辆间的交互性的问题,提出基于自注意力社会生成对抗网络模型预测无人驾驶汽车周围车辆轨迹。首先利用自注意力机制为车辆历史轨迹序列中的每个特征分配不同权重,使模型训练时重点关注这些特征信息,然后利用池化模块对车辆间的交互进行建模,最后利用生成网络和判别网络对模型进行训练,深度拟合真实轨迹数据分布。使用NGSIM数据集中的US-101和I-80数据集训练模型,经大量实验验证,与同类算法相比,该模型的预测精度较高,ADE和FDE的误差分别达到4.97以及8.92。