提出了一种具有动态交互感知池化层的多长短期记忆神经网络（DIP-LSTM）模型结构，使得场景中相邻的车辆通过池化（Pooling）共享各自LSTM网络隐藏态，获取历史轨迹特征，进而实现自车与周围多车的时间空间关系的交互性建模，并输出车辆未来的预测轨迹。使用美国的NGSIM和德国的High-D自然驾驶车辆轨迹数据集对模型进行训练与测试，并对模型的精度、鲁棒性和迁移性（普适性）进行验证。研究结果表明：与传统模型的预测方法相比，考虑多车交互信息的DIP-LSTM网络的预测方法在预测精度与长时域预测上具有优势，且模型具有良好的迁移性和鲁棒性，显著提高了车辆轨迹预测模型的实用性和普适性。