行人轨迹预测取得了重要的进展，但现有的方法大多会受限于有限的车载计算资源，如何在自动驾驶车辆上实现高效的行人轨迹预测仍然存在着不足.针对该问题，提出了一种轻量化的行人轨迹预测算法，使用卷积神经网络（convolutional neural network,CNN）和图卷积神经网络（graph convolutional neural network,GCN）来处理和融合多模态信息.首先基于CNN设计了多尺度特征处理模块，使用多个卷积模块捕获行人轨迹和场景信息在不同时间和空间尺度上的特征；然后基于GCN构造特征融合模块，用于高效地建立轨迹和场景特征之间的时空关系并获得多个预测表示，最后融合多个预测表示以获得行人轨迹预测结果 .在PIE和JAAD数据集上的实验表明，所提方法在仅用最少网络参数的情况下取得了最佳的预测性能，验证了所提方法的有效性；对比先前最轻量化的方法，参数优化了73%.