Como una etapa importante en el desarrollo de la conducción autónoma, las condiciones de tráfico mixto, que consisten en vehículos autónomos conectados (CAVs) y vehículos conducidos por humanos (HDVs), han atraído cada vez más atención. De hecho, la aleatoriedad de los vehículos conducidos por humanos (HDV) es el mayor desafío para que los vehículos autónomos conectados (CAV) tomen decisiones razonables, especialmente en escenarios de cambio de carril. En este documento, proponemos por primera vez el problema de las decisiones de cambio de carril para CAV en condiciones de baja visibilidad y tráfico mixto. Primero, consideramos la aleatoriedad de HDV en este entorno y construimos un modelo de máquina de estados finitos (FSM). Luego, este estudio desarrolla un proceso de decisión de Markov parcialmente observado (POMDP) para describir el problema de cambio de carril. Además, utilizamos el algoritmo de gradiente de política determinista profunda modificado (DDPG) para resolver el problema y obtener la decisión óptima de cambio de carril en este entorno. El diseño de la recompensa tiene en cuenta la comodidad, seguridad y eficiencia del vehículo, y la introducción de aprendizaje por transferencia acelera la adaptación de CAV a la aleatoriedad de HDV. Finalmente, se realizan experimentos numéricos. Los resultados muestran que, en comparación con el DDPG original, el DDPG modificado tiene una velocidad de convergencia más rápida. La estrategia aprendida por el DDPG modificado puede completar el cambio de carril en la mayoría de los escenarios. La comparación entre el DDPG modificado y las decisiones basadas en reglas indica que el DDPG modificado tiene una mayor capacidad de adaptación a este entorno especial y puede aprovechar más oportunidades de cambio de carril.