随着智能驾驶技术的发展,市场上的驾驶辅助系统的功能越来越丰富。而实现针对驾驶员换道操作预警的关键在于能否有效地识别驾驶员的换道意图并对车辆换道轨迹进行预测。相对于车道保持,换道过程是一项较为复杂的驾驶行为。作为驾驶行为的一个关键组成部分,换道与交通安全和交通状况息息相关。然而,当下大部分的高级驾驶辅助系统都没有充分的考虑驾驶员本身的换道意图。为了提高驾驶安全性改善交通环境,本文对驾驶员换道意图识别提出了一种将长短时记忆网络（Long Short Term Memory Network,LSTM）和证据理论相结合的方法,同时运用LSTM模型对驾驶员的换道轨迹进行预测。本文主要研究内容如下:（1）建立了由3000组换道数据组成的驾驶员换道意图数据库,数据库中包含2700组训练数据和300组测试数据。通过江苏大学六自由度驾驶模拟器,模拟高速公路驾驶环境,通过江苏大学Smart eye-pro眼动仪获取驾驶员头部及眼部运动数据,同时利用驾驶模拟器主控机单元同步采集纵向加速度、方向盘转角、和车辆距离车道线的中心距离建立了驾驶员换道意图数据库。（2）构建长短时记忆网络（Long Short Term Memory Network,LSTM）与DS证据理论相结合的混合模型。通过对比分析不同参数下模型训练过程中的损失函数和欧氏距离误差选取最优的模型参数,建立了具有时序特性和分类特性的LSTM-DS证据理论混合模型。利用Tensor Flow框架,python语言搭建模型。（3）在驾驶员换道意图识别结果的基础上,对车辆换道运动轨迹进行预测。本文主要对车辆横向运动轨迹预进行预测,即车辆换道预测。本文提出了基于LSTM的换道轨迹预测模型,根据运动轨迹具有时序性的特点,将深度学习和证据理论应用于车辆运动轨迹预测。综合考虑交通场景将LSTM深度神经网络与车辆安全距离公式相结合,对换道安全性进行分析,最后通过实验验证了该方法的可行性。实验结果表明,该模型能够有效识别驾驶员换道意图。同时基于LSTM的车辆换道轨迹预测模型的预测轨迹和真实轨迹有较高的吻合度。