准确地预测周围车辆的行驶轨迹是帮助智能汽车理解周围交通环境并得到合理的决策规划结果的前提条件。现有的针对无交通灯路口场景下车辆轨迹预测的研究较少,并且此类研究对车辆轨迹的时间域隐含特征提取不充分,依赖于串行轨迹编码。在考虑车辆交互时交互车辆的选择不尽合理,交互建模不充分,仅适用于稀疏交通。当路口中存在多个车辆交互或相互博弈时,现有的车辆轨迹预测方法在该场景中的预测准确度会有所下降。本文以车辆轨迹预测为主题,提出了适用于无交通灯路口场景的交互车辆选择方法,设计了基于时空特征的多车混合交互式车辆轨迹预测模型以解决车辆轨迹特征提取和多车交互关系建模不充分问题,提出了基于多优化目标的预测轨迹生成方法,实现了无交通灯路口场景下高精度车辆轨迹预测。首先,针对交互车辆选择问题,分析了具有代表性的无交通灯路口的道路结构特点、路口处存在的冲突点或交织点、车辆间可能的交互行为,提出了适用于交叉路口和环形交叉路口的交互车辆选择策略。通过可变长度的交互栅格捕捉预测目标车辆的邻居车辆。此外,分别提出了针对交叉路口和环形交叉路口的交互区域划分方法以筛选距离较远但与预测目标间存在交互的车辆。其次,针对车辆轨迹特征提取及多车交互建模不充分问题,设计了基于时空特征的多车混合交互式车辆轨迹预测模型,该模型能够并行编码车辆轨迹,建模多车的时空交互关系,并降低预测误差。根据车辆轨迹中各轨迹点间的时间域依赖关系,设计两种能够体现这种依赖关系的相对位置编码方式,并将其与基于Transformer的轨迹特征编码器中的多头注意力模块结合,并行编码车辆轨迹并保留轨迹中的轨迹点间的时间域依赖关系;设计了交互特征编码器,通过含有掩码机制的多头注意力模块并行编码交互车辆的轨迹数据并捕获时空域交互的隐含特征;设计了包含2层线性层和2层全连接层的融合模块,用于融合预测目标的轨迹的隐含特征以及交互关系的隐含特征;设计了基于Transformer的预测轨迹解码器,用于根据编码器理解结果生成预测目标的未来轨迹。另外,针对多样的道路结构会影响预测精度的问题,设计了基于多优化目标的预测轨迹生成方法,以四次多项式函数为轨迹基函数,将道路结构约束,速度约束、未来轨迹约束（轨迹预测模型预测得出的轨迹点序列）转化为优化目标并建立优化目标函数,通过迭代优化,求解最终的预测轨迹。最后,利用包含多种无交通灯路口场景的INTERACTION数据集,验证本文所设计的车辆轨迹预测方法和预测轨迹生成方法的有效性。首先对数据集进行预处理,包括数据平滑滤波、轨迹片段切分、静止段剔除、标记起始符等,获得131328段样本（每段约为6秒）,然后利用Python+Pytorch编程实现算法代码,结合GPU计算平台实现模型的加速训练。结果表明:无交通灯路口场景下,未来3秒处的纵向平均位移预测误差和纵向终点位移预测误差分别为0.53米和0.94米、横向平均位移预测误差和横向终点位移预测误差分别为0.73米和1.48米。本文设计的车辆轨迹方法的预测精度优于现有的车辆轨迹预测方法。