La conducción autónoma se predice que jugará un papel importante en los sistemas de transporte del futuro, proporcionando beneficios como el uso mejorado de las carreteras y esquemas de movilidad. Sin embargo, los coches autónomos deben ser percibidos como conductores seguros por otros usuarios de la carretera y contribuir a la seguridad del tráfico además de ser seguros operativamente. A pesar de los esfuerzos para desarrollar algoritmos de aprendizaje automático y soluciones para la seguridad de los vehículos automatizados, los investigadores aún no han llegado a un acuerdo sobre un enfoque único para categorizar y detectar de manera precisa los comportamientos de conducción seguros e inseguros. Este documento propone un autoencoder basado en el método de puntuación Z modificado para la detección de comportamientos anómalos utilizando múltiples indicadores de conducción. Las experimentaciones se realizan en las trayectorias de vehículos de referencia de la simulación de la Próxima Generación (NGSIM) y los conjuntos de datos de apoyo para descubrir comportamientos de conducción anómalos y evaluar el rendimiento de nuestro enfoque propuesto. Las experimentaciones revelan que el enfoque propuesto detectó 81 comportamientos de conducción anómalos de 1031 instancias de comportamiento de conducción naturalista (7.86%) con una precisión del 96.31% sin detención temprana. Con detención temprana, nuestro método detectó con éxito 147 comportamientos de conducción anómalos (14.26%) con una precisión del 95.25%. En general, el enfoque propuesto proporciona resultados prometedores para detectar comportamientos de conducción anómalos en vehículos automatizados utilizando múltiples indicadores de conducción.