自动驾驶系统是一套集成了控制技术、感知算法、路径规划、空间建模与定位等多种技术为一体的复杂系统。过去十几年里,随着深度学习技术的发展和计算机性能的提高,自动驾驶相关技术也得到了快速发展。但在今天,想要普及自动驾驶技术还存在诸多障碍,比如如何保障足够的安全。其中车辆轨迹预测及其行为分析便是一类关键技术,其为车辆的安全行驶辅助、路径规划与决策、周边环境安全预警提供了必要的信息。针对轨迹预测和驾驶行为分析问题,从解决时空依赖特征提取不足、动态驾驶场景动态性特征难以挖掘、如何基于车辆的相互影响分析驾驶行为等问题出发,本文研究了相关数据构造、轨迹预测、行为分析等三个重要工作:1)构建了一种半全局图生成方法,该方法解决了图模型描述驾驶场景时的矩阵稀疏问题,以及时间维度矩阵无对应关系的问题。引入了图模型来建模驾驶场景,将一个驾驶场景中的车辆建模为图模型的节点,用图的带权边表示车与车之间的相互关系。并在此基础上引入动态图的概念,用以描述动态的驾驶场景。2)提出了一种基于图卷积的车辆轨迹预测模型,该模型由基于谱图卷积的两类图卷积网络和基于循环神经网络的编解码器网络组成。基于谱图理论的图卷积,能够对拉普拉斯矩阵进行傅里叶变换将空间域问题映射到频域来解决,而其中通过邻接矩阵归一化形成的拉普拉斯矩阵能够描述节点间的信息势差。这类神经网络,能够很好的解决车辆间相互影响关系特征的挖掘问题。另外,动态图描述了动态变化的驾驶场景,而为了高效的提取动态图中的动态特征,我们引入Mproduct这种新的乘积方法,并基于M-product运算构建面向交通领域的变体图卷积神经网络。这使得图卷积运算能够直接在三维张量上运行,解决了对动态图的动态特征提取问题。3)设计了一种基于图模型的驾驶行为分析算法。为了在驾驶行为分析中考虑车辆间的相互影响,基于前述工作背景,我们引入图模型,把对目标车辆特征的关注焦点转移到与周围车辆的差异上,更好的刻画一辆车的行为。同时引入中心函数等评价方法,利用中心函数对图模型拓扑特性的描述能力,构建描述不同驾驶行为的特征函数来对车辆行为进行分类。