第一,人类被认为是交通系统中最不可靠的部分,因为高达94%的车祸都是由于驾驶员的驾驶失误造成的,这可以通过自动驾驶车辆的发展和广泛应用来改善。但是自动驾驶的安全性问题一直是业内外认识争论的关键点,也是自动驾驶车辆能否顺利上路和顺利获得乘客、用户使用的关键。自动驾驶车辆能在高速公路上行驶,重要的是识别其他车辆驾驶行为意图以防止潜在的碰撞。在自动驾驶领域,自动驾驶行为意图识别一直是一个非常活跃的研究领域。然而,目前大多数文献对于驾驶意图识别的工作都集中在如何获取多个特征上,没有考虑到优化特征对构建模型的优势;大多数文献都只追求最优模型的识别结果,很少有学者想过去完整地构建一套优化驾驶意图识别模型的体系。第二,因此,针对目前研究中的不足,本文使用公开交通NGSIM数据集,运用神经网络,本文设计了一种基于长短时记忆(LSTM)网络的自动驾驶车辆驾驶意图识别模型,并按照先引入空间环境信息(周围邻居车辆距离特征)再引入时间信息(历史轨迹)的思路完整地构建一套优化驾驶意图识别模型的体系。主要包含以下几个内容:第三,针对目前大多数文献对于驾驶意图识别的工作都集中在如何获取多个特征上,没有考虑到优化特征对构建模型的问题,本文通过优化被预测车辆自身位置信息,即使用被预测车辆当前时刻与上一刻的相对位置特征代替其实时位置特征来训练模型后得到改进自身位置特征的基础驾驶行为意图识别模型,并通过模型验证时的混淆矩阵计算出不同驾驶行为的精确率,召回率和F-1值,以及模型准确率ACC,模型泛化能力AUC,平均误差(Loss)等的指标值来对比模型性能。第四,针对目前大多数文献都只追求最优模型的识别结果,很少有学者想过去完整地构建一套优化驾驶意图识别模型的体系的问题,本文逐步在第三章引入空间环境信息,第四章引入时间信息来验证空间环境信息以及时间信息对驾驶意图识别模型的影响。结果证明当同时引入空间环境信息和时间信息时,可以大大提升模型性能。第五,为了进一步优化驾驶意图识别模型,期望得到基于最优时间信息长度的驾驶意图识别模型,本文在同时引入空间环境信息和时间信息的基础上,对比了引入不同长度的时间信息的模型结果。实验对比结果得到,基于本文的实验数据,当引入时间信息长度(历史轨迹长度)为9时模型性能最优。通过不同阶段模型结果对比得到,优化特征确实能提高模型识别结果,按照本文的思路确实能够得到较优的意图识别模型结果。至此,本文在改进被预测车辆自身位置特征的基础上构建了一套较为完善的优化驾驶意图识别模型体系。