近些年来,道路交通事故频发,而智能车的轨迹预测技术可以有效地预防交通事故的发生。如今轨迹预测算法大多是基于目标历史轨迹和目标之间的交互关系展开的,难以模拟实际的交通行为,仍然存在着预测误差较大的问题。所以本文提出了一种融合车道线信息与预见信息的轨迹预测算法。由于需要加入车道线信息,所以针对目前车道线检测在复杂环境下检测精度低的问题提出一种多感受野特征提取方法,提高车道线检测的鲁棒性。主要研究内容包括:（1）基于PINet的车道线检测模型改进复杂环境下车道线的检测由于存在阴影、遮挡、光照条件变化等客观因素的影响,给车道线的特征提取带来较大困难。因此,本文在数据增强提高模型泛化能力的基础上,深入分析了车道线的特异化结构及复杂环境所带来的影响,设计了一个基于通道注意力机制的混合空洞卷积（Hybrid Dilated Convolution with Channel Attention,CA-HDC）模块,提高复杂交通环境下的车道线检测精度。以PINet（Point Instance Network）深度学习模型作为基础融合所设计模块,在Tu Simple数据集上能够达到96.79%的检测精度。在CULane数据集上提升了在拥挤、阴影、存在箭头、十字路口、夜晚等特殊场景下的检测精度。本文提出的算法相对于原算法拥有更强的鲁棒性。（2）基于S-GAN的轨迹预测模型改进轨迹预测由于缺乏实际交通场景中部分有效信息导致预测误差较大。因此,本文在利用目标历史轨迹信息和目标交互信息的基础上,深入分析了实际交通行驶所依赖的要素,以车道线是实际交通行驶中的重要信息为依据,设计了一个车道线信息融合模块,利用卷积神经网络提取轨迹预测所需的信息加入到轨迹预测算法当中。同时考虑到驾驶员本身具有预见能力,设计了一个基于预见信息的轨迹调整模块,根据前一阶段预测的轨迹,利用未来信息对当前预测轨迹进行调整,以避免预测的轨迹发生冲突。以S-GAN（Socially Acceptable Trajectories with Generative Adversarial Networks）深度学习模型作为基础融合所设计模块,利用D2-City数据集提取目标的标签并通过格式转换构建我们的轨迹预测数据集。最终提出的轨迹预测算法平均位置偏移误差降低4.26%,最终位置偏移误差降低7.53%。符合长时间预测误差更低的预期,提高了模型预测能力。（3）基于嵌入式平台的模型应用深度学习模型在实际生产中使用需要在嵌入式平台中应用实现。本实验使用嵌入式平台Jetson Xavier进行推理应用。对实时性较差的车道线检测模型进行Tensor RT加速,能够达到29 FPS的推理速度,对于实时性较好的多目标轨迹预测算法则使用Py Torch版本的模型,能够达到27 FPS的推理速度,满足实时性要求。综上所述,本文针对车道线检测任务的鲁棒性和轨迹预测任务的准确性展开了相关工作研究。其中,相关工作突破的重点在于:针对原车道线检测算法鲁棒性差的问题,开发了一种基于注意力机制的混合空洞卷积模块进行特征提取,改善了复杂环境下车道线特征提取困难的问题;针对原轨迹预测算法准确性不足的问题,开发了一个车道线信息融合模块和基于预见信息的轨迹调整模块,有效地降低了轨迹预测算法的误差。最后将深度学习模型成功应用到嵌入式平台上,满足实时性要求。