随着我国城镇化进程的加快,机动车的数量与日俱增,交通和安全问题也越来越严重。无人驾驶作为人工智能技术的新产物,有望缓解上述问题。模仿学习作为一种新型的人工智能技术可以学习专家驾驶数据中图像和控制信息之间的映射关系,进而得到优秀的专家驾驶策略。但是在现实中汽车行驶是连续的行为,模仿学习只是简单地将图像和控制信息进行映射,后续的动作并不完全连续,从而导致车辆行驶不稳定。特别在复杂场景如十字路口的情况下,模仿学习基于其原始结构无法选择正确的道路,而基于乘客命令选择道路的条件模仿学习又需要人为地介入命令且各分支网络独立训练,导致决策效率不高。针对这些问题,本文提出基于模仿学习的端到端无人驾驶决策模型及系统,具体的工作内容如下:（1）针对传统的端到端模仿学习中没有考虑无人驾驶行为本身的连续性,导致车辆行驶不稳定的问题,设计了融合时序语义信息的端到端模仿学习车道保持方法。本方法采用图像语义分割和先验知识迁移的技术增强对图像特征的提取,提高了模型预测的准确性和训练效率。通过结合LSTM关联时序信息并加入汽车状态信息,有效地保证了汽车行驶的连续性。本文在仿真环境进行了测试实验,实验表明,所提方法较原始的模仿学习降低了24.31%的平均预测误差和17.99%的平均连续性误差,使无人驾驶控制决策系统能够做出更精确的预测以及更贴合现实生活中长期连续的驾驶行为。（2）针对在城镇复杂场景下,将乘客的指令作为道路选择的条件模仿学习需要人为介入、数据使用效率低等问题,设计了航路点信息引导的条件模仿学习端到端决策模型。通过使用航路点信息选择道路的方式取代条件模仿学习网络上乘客命令输入模块,解决了在车辆行驶中需要乘客不断干预的问题,提高了训练数据利用率和系统稳定性。所建立的模型可以在较少数据的情况下学习驾驶策略,实现端到端的自动导航。本文基于仿真环境在不同的城镇复杂场景测试所提模型的驾驶性能,验证了所提方法的可行性和有效性,在无人驾驶任务的完成数量和质量上都优于现有的条件模仿学习。