随着汽车保有量的增加,交通安全问题日益严峻。智能车辆能够通过合理有效的决策方法提高行驶安全性,从而减少交通事故的发生。行人作为重要的交通参与者,其行走意图和轨迹必然会影响智能车辆的决策规划。因此,开展行人意图及其轨迹预测的研究对提高智能车辆的行驶安全性具有重要意义。本文针对车辆前视场景下行人运动多变的问题,对行人意图和轨迹预测算法展开了深入研究,主要内容如下:（1）构建了基于机器学习的融合多特征的行人意图预测框架:首先通过自顶向下的人体姿态估计算法提取行人骨架信息,用以描述行人运动规律,然后采用头部方向估计算法获取头部方向信息,并将头部方向与骨架特征融合以加强对行人运动特征的表达,最后由长短期记忆（Long Short-Term Memory,LSTM）网络得到融合多特征的意图预测结果。实验结果表明:融合多特征意图预测方法准确率可达96.0%,优于单特征意图预测网络。在实际场景分析中,所提方法可提前0.56s识别行人的转弯意图,能够为智能车辆的决策模块提供充足的冗余时间。（2）提出了融合行人意图的分层式行人轨迹预测框架:为减小行人运动不确定性对轨迹预测性能的影响,本文构建了融合行人意图的I-LSTM轨迹预测网络,将意图预测层的行人意图预测结果和历史轨迹坐标的融合向量作为轨迹预测层的输入,从而生成融合意图的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强对LSTM各个时刻编码向量的有效利用,提高行人轨迹预测性能。实验结果表明:本文所提方法在预测时域为1s的情况下,预测轨迹的位置均方根误差为347mm,相较恒速度模型（Constant Velocity,CV）、交互多模型（Interacting Multiple Model,IMM）、常规LSTM、生成式对抗网络（Generative Adversarial Networks,GAN）等方法均有明显的提升。在实际场景分析中,本文方法能够有效降低行人意图转变过程中的轨迹预测误差,提高行人参与交通的安全性。（3）提出了多种行人意图融合方案:本文提出了三种意图融合方案,包括意图前融合、意图后融合以及意图作为模型选择机制。前融合方案将意图和历史轨迹在轨迹预测网络编码器的输入端进行融合;后融合方案在编码器输出端融合意图特征;意图作为模型选择机制方案则需要训练多种轨迹预测模型,然后根据意图选择对应模型以实现针对性的轨迹预测。实验结果表明:本文提出的三种意图融合方案均能有效利用意图特征,提高行人轨迹预测精度。其中,意图前融合方案能够更有效地应对意图变化场景的需要,鲁棒性更好。