Con el desarrollo de la inteligencia artificial, técnicas como el aprendizaje automático, la detección de objetos y el seguimiento de trayectorias se han aplicado a diversos campos de tráfico para detectar accidentes y analizar sus causas. Sin embargo, la detección de accidentes de tráfico utilizando circuito cerrado de televisión (CCTV) como un tema emergente en el aprendizaje automático sigue siendo un desafío debido a los entornos de tráfico complejos y la visión limitada. La investigación tradicional tiene limitaciones para deducir las trayectorias de objetos relacionados con accidentes y extraer las relaciones espacio-temporales entre objetos. Este documento propone un método de detección de accidentes de tráfico que ayuda a determinar si cada fotograma muestra accidentes mediante la generación y consideración de trayectorias de objetos utilizando mapas de influencia y una red neuronal convolucional (CNN). Los mapas de influencia con relaciones espacio-temporales se mejoraron para mejorar la detección de accidentes de tráfico. Se utilizó una CNN para extraer representaciones latentes de los mapas de influencia producidos por las trayectorias de objetos. La Detección y Predicción de Accidentes de Coche (CADP) se utilizó en los experimentos para entrenar nuestro modelo, que logró una precisión de detección de accidentes de tráfico de aproximadamente el 95%. Por lo tanto, el método propuesto obtuvo resultados notables en términos de mejora del rendimiento en comparación con métodos que solo se basan en la detección basada en CNN.