在对抗环境中,由于智能体之间的交互关系较为复杂,对敌对目标的轨迹预测和意图理解十分重要。然而,现阶段目标意图理解方法和轨迹预测方法在对抗场景中的效果普遍较差。本文以ICRA DJI RoboMaster人工智能挑战赛为背景,主要研究在对抗环境下目标的轨迹预报问题和意图理解问题,论文主要成果如下:首先,建立了轮式机器人的运动学模型,给出了相关坐标系和转换关系,给出了轨迹预报以及意图理解问题的描述。其次,针对对抗环境下交互情况较为复杂的问题,给出了处理时间序列数据的编码模块和解码模块。为了减少计算量,给出了结构精简的判别器网络。为了提取智能体之间的交互信息,设计了生成器编码与解码之间降采样模块。针对在训练过程中出现的收敛困难的问题,给出了参数和结构调节方法,综合各个模块,提出了一种基于生成式对抗网络的轨迹预测方法,通过网络的反向传递学习机器人之间隐含的交互关系。再次,给出了一种基于自动编码器的数据压缩和特征提取网络,针对目标意图难以获取的问题,利用了特征提取网络中的编码器部分,提出了一种可以实现自动聚类的深度嵌入式聚类网络,根据意图分类结果,给出了基于长短时记忆模块的意图分类网络。最后,搭建了仿真平台并设计实验对轨迹预报方法和意图理解方法进行验证。为了定量分析轨迹预测方法的准确性,给出了两个衡量预测轨迹准确程度的指标。根据轨迹预测方法和意图理解方法的需要,给出了三种不同场景下的训练数据获取方式。设计了三种特定场景交互模型,验证了轨迹预测方法的预测准确性和意图表现能力,给出了四种赛场环境下的智能体交互方式,评价了轨迹预测方法相较于其他方法的优劣,针对意图分类结果难以描述的问题,将意图分类结果以二维轨迹的方式映射到赛场平面图中,分析了意图分类结果的实际物理意义。