智能驾驶系统引发的多起事故已经引起了公众对智能驾驶安全性的关注。为了能够更充分的理解当前驾驶场景、判断当前驾驶态势的安全程度,本文将从获取驾驶场景中更多的语义交互信息,以对驾驶中的危险态势进行预测开展研究。本文的主要研究内容如下:（1）针对危险态势预测中缺乏对场景的理解,提出了一种针对驾驶场景的场景图模型,对道路中每一个实例关系进行抽象和解释,提取物体的空间分布和语义交互关系,使得智能驾驶车辆能够充分有效地理解场景。当前场景图生成任务中缺乏空间信息,对上下文信息的学习不够充分,且评价指标单一。利用位置编码方式将空间信息进行高位嵌入,同时融合物体视觉特征、类标签特征获得全面的物体表示,并利用改进的多关系图卷积网络对全局上下文信息建模。基于HDD数据集进行测试,在Pre Dcls、SGcls、SGdet三个子任务上验证了场景图生成算法性能。通过整合当前研究中的多个评价指标并进行对比实验,证明了之前的研究中过度依赖单一指标Recall@K,会使得评价结果不能很好的描述模型性能的问题。（2）为应对驾驶过程中突发的濒临碰撞的危险场景,需要对其进行危险态势的预测。本文提出了一种基于时空关系学习的事故预测模型,通过行车记录仪的视频预测交通事故发生的概率。大多数现有的驾驶危险态势预测方法只考虑一帧上单个元素的特征,而没有考虑所有交通参与者之间的关系。为此本文将第三章的场景图作为输入,对目标之间的语义交互信息以图的形式进行建模,将驾驶场景图嵌入矢量空间输入到危险预测模型中,提高模型对场景的理解。基于场景图中对空间关系的学习,以改进的时间关系学习图卷积网络,学习潜在的时空关系特征,并输入到贝叶斯网络中以预测事故的发生。在最新发布的危险事故数据集DoTA上训练模型,方法可以实时的提供驾驶危险态势的概率,并且在事故发生前1.8559秒,以准确率89.14%,召回率80%,预测到驾驶危险的发生。为了验证上述所提出的基于场景图的危险态势预测模型的网络泛化能力,本文基于智能车驾驶平台进行实车试验,在校园驾驶场景下完成性能测试实验。实验结果验证了本文危险态势预测算法的鲁棒性。