Para abordar el bajo rendimiento en tiempo real y la baja precisión en la identificación del riesgo de seguimiento de vehículos, se propone un modelo basado en autoencoders. Utilizando el conjunto de datos de conducción natural SHRP2, este documento construye un modelo de identificación de riesgo de seguimiento de vehículos en dos etapas. En la Etapa 1, un autoencoder de red neuronal profunda reconstruye indicadores heterogéneos de múltiples fuentes de humano-vehículo-camino-entorno preprocesados. La representación de características en un espacio latente de alta dimensión se utiliza como entrada para la Etapa 2, mejorando el rendimiento del modelo básico. Se comparan ocho modelos básicos y dieciséis modelos con autoencoders utilizando múltiples indicadores de evaluación. Una prueba de conducción simulada verifica la generalización y robustez del modelo. Los resultados muestran una mayor precisión en la identificación del riesgo de seguimiento de vehículos, siendo el AutoEncoder_LR optimizado el que mejor rendimiento tiene con un 91.33% para la presencia de riesgo y un 70.14% para los niveles de riesgo. Estos hallazgos pueden ayudar en la conducción segura y en la prevención de accidentes por alcance.