本发明涉及行人轨迹预测与分析技术领域，尤其涉及一种基于融合逆强化学习的轨迹预测方法，包括S1、基于输入的观测轨迹和场景图生成路径奖励地图和终点奖励地图；S2、利用逆强化学习算法对策略采样得到路径；S3、利用全卷积网络进行路径位置编码，融合双向门控循环单元对场景路径编码，融合场景路径和行人观测轨迹。本发明通过引入轻量化的特征提取ENet网络，减少了算法参数量，提升了算法理解场景的泛化能力；利用场景的注意力机制模块，更好的融合场景信息和行人观测轨迹，场景导向的行人轨迹预测网络S2Tirl相较于主流算法在公共数据集和实际数据上都取得了更好的效果。